Мы рассмотрим все теоретические и практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAEв соревновании на Kaggle вплоть до формирования конечного результата.

Курс разбит на 2 части. Впервой части мы последовательно пройдем все этапы работы с данными:от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения,базовые метрики и наиболее простые модели - линейную,полиномиальную и линеаризуемую регрессии.

Во второй части разберем на практикуме:

• Особенности процесса анализа данных (ETL):загрузка,очистка,объединение наборов данных с pandas.

• Проведение исследовательского анализа данных для поиска зависимостей:EDA.

• Использование sklearn для линейной регрессии.

• Интерполяция и экстраполяция данных.

• Расчет метрики качества RMSLE для моделей линейной регрессии.

• Оптимизация линейной регрессии:выбор наилучших параметров и гиперпараметров.

• Оптимизация потребления памяти при работе с большими данными.

• Запасные модели линейной регрессии.

• Ансамбли линейной регрессии для уточнения предсказания.

• Экспорт и импорт данных,включая промежуточные.

• Выгрузка результата для соревнования на Kaggle.