Udemy - Машинное обучение из грязи в Kaggle-князи - 2020

1. 01 Часть 1. Процесс машинного обучения/001 Задачи машинного обучения.mp4213.06MB
2. 01 Часть 1. Процесс машинного обучения/002 Модель и процесс машинного обучения.mp4166.9MB
3. 01 Часть 1. Процесс машинного обучения/003 Что такое ETL.mp4130.66MB
4. 01 Часть 1. Процесс машинного обучения/004 Что такое EDA.mp4155.93MB
5. 01 Часть 1. Процесс машинного обучения/005 Подготовка данных.mp4285.8MB
6. 01 Часть 1. Процесс машинного обучения/006 Разбиение выборки.mp4212.08MB
7. 01 Часть 1. Процесс машинного обучения/007 Оптимизация гиперпараметров.mp4273.85MB
8. 01 Часть 1. Процесс машинного обучения/008 Недообучение и переобучение.mp4235.18MB
9. 01 Часть 1. Процесс машинного обучения/009 Смещение, разброс и ошибка данных.mp4228.19MB
10. 01 Часть 1. Процесс машинного обучения/010 Использование HDF.mp4145.35MB
11. 02 Метрики и модели/011 Метод максимального правдоподобия.mp4337.03MB
12. 02 Метрики и модели/012 Метод наименьших квадратов.mp4124.99MB
13. 02 Метрики и модели/013 Аппроксимация пропусков в данных.mp4124.34MB
14. 02 Метрики и модели/014 Среднеквадратичная ошибка.mp4142.25MB
15. 02 Метрики и модели/015 Метрики и расстояния.mp4177.18MB
16. 03 Часть 2. Практикум_ Предсказание энергопотребления зданий/016 Процесс ETL.mp491.94MB
17. 03 Часть 2. Практикум_ Предсказание энергопотребления зданий/017 Интерполяция и экстраполяция.mp445.95MB
18. 03 Часть 2. Практикум_ Предсказание энергопотребления зданий/018 Оценка модели.mp485.23MB
19. 03 Часть 2. Практикум_ Предсказание энергопотребления зданий/019 Линейная регрессия.mp486.31MB
20. 04 Практикум_ Оптимизация памяти и обогащение данных/020 Оптимизация потребления памяти.mp4137.62MB
21. 04 Практикум_ Оптимизация памяти и обогащение данных/021 EDA_ исследование зависимостей.mp4124.07MB
22. 04 Практикум_ Оптимизация памяти и обогащение данных/022 Заполнение пропусков в данных.mp481.22MB
23. 05 Модели линейной регрессии/023 Линейная регрессия и L1_L2-регуляризация.mp4303.76MB
24. 05 Модели линейной регрессии/024 Изотоническая регрессия.mp4118.44MB
25. 05 Модели линейной регрессии/025 BIC и AIC.mp4113.66MB
26. 05 Модели линейной регрессии/026 Полиномиальная регрессия.mp4104.24MB
27. 05 Модели линейной регрессии/027 Линеаризация регрессии.mp4181.31MB
28. 06 Практикум_ Конкурентные модели регрессии/028 Обогащение данных.mp4173.6MB
29. 06 Практикум_ Конкурентные модели регрессии/029 Иерархия моделей.mp4170.54MB
30. 06 Практикум_ Конкурентные модели регрессии/030 Оптимизация регрессии.mp4142.43MB
31. 07 Практикум_ Ансамбль линейной регрессии/031 Экспорт и импорт данных.mp466.97MB
32. 07 Практикум_ Ансамбль линейной регрессии/032 Ансамбль регрессионных моделей.mp4194.65MB
33. 07 Практикум_ Ансамбль линейной регрессии/033 Расчет результатов.mp4168.15MB
34. 08 Часть 3. Метрики и модели классификации/034 Точность и полнота.mp4235.54MB
35. 08 Часть 3. Метрики и модели классификации/035 F-мера.mp4134.15MB
36. 08 Часть 3. Метрики и модели классификации/036 ROC AUC и Gini.mp4259MB
37. 08 Часть 3. Метрики и модели классификации/037 Оценка Каппа Коэна.mp4165.49MB
38. 08 Часть 3. Метрики и модели классификации/038 Взвешенная квадратичная Каппа.mp4268.21MB
39. 08 Часть 3. Метрики и модели классификации/039 Логистическая функция потерь.mp4161.99MB
40. 08 Часть 3. Метрики и модели классификации/040 Метод ближайших соседей.mp4206.22MB
41. 09 Практикум_ Задача страхового скоринга/041 Страховой скоринг.mp4128.35MB
42. 09 Практикум_ Задача страхового скоринга/042 F1 и Каппа оценки классификации.mp471.42MB
43. 09 Практикум_ Задача страхового скоринга/043 Метод ближайших соседей.mp446.28MB
44. 10 Простые модели классификации/044 Наивный Байес.mp4171.92MB
45. 10 Простые модели классификации/045 Логистическая регрессия.mp4103.31MB
46. 10 Простые модели классификации/046 Дерево принятия решения.mp4222.11MB
47. 10 Простые модели классификации/047 Опорные векторы.mp4224.35MB
48. 11 Практикум_ Логистическая регрессия и опорные векторы/048 Обработка данных и оптимизация памяти.mp4116.13MB
49. 11 Практикум_ Логистическая регрессия и опорные векторы/049 Логистическая регрессия.mp444.55MB
50. 11 Практикум_ Логистическая регрессия и опорные векторы/050 Иерархия логистической регрессии.mp4137.94MB
51. 11 Практикум_ Логистическая регрессия и опорные векторы/051 SVM.mp442.24MB
52. 12 Ансамблевые модели/052 Ансамблевые модели.mp4251.63MB
53. 12 Ансамблевые модели/053 Бутстрэп.mp4166.21MB
54. 12 Ансамблевые модели/054 Бэггинг.mp4159.74MB
55. 12 Ансамблевые модели/055 Случайный лес.mp4133.8MB
56. 12 Ансамблевые модели/056 Out-of-Bag.mp4154.52MB
57. 12 Ансамблевые модели/057 Сверхслучайные деревья.mp4197.83MB
58. 12 Ансамблевые модели/058 Адаптивный бустинг.mp4155MB
59. 12 Ансамблевые модели/059 LogitBoost, BrownBoost и L2Boost.mp4187.63MB
60. 12 Ансамблевые модели/060 Градиентный спуск.mp4267.45MB
61. 12 Ансамблевые модели/061 Градиентный бустинг и XGBoost.mp4172.15MB
62. 12 Ансамблевые модели/062 Стохастический градиентный бустинг.mp4127.55MB
63. 13 Практикум_ Решающие деревья и ансамбли бэггинга и бустинга/063 Решающие деревья.mp481.2MB
64. 13 Практикум_ Решающие деревья и ансамбли бэггинга и бустинга/064 Случайный лес.mp467.89MB
65. 13 Практикум_ Решающие деревья и ансамбли бэггинга и бустинга/065 Бустинг с XGBoost.mp430.43MB
66. 14 Продвинутые ансамбли/066 LightGBM.mp4197.96MB
67. 14 Продвинутые ансамбли/067 CatBoost.mp4114.47MB
68. 14 Продвинутые ансамбли/068 Ансамбль стекинга.mp4237.95MB
69. 15 Практикум_ Ансамбль стекинга и финальное решение/069 LightGBM.mp459.97MB
70. 15 Практикум_ Ансамбль стекинга и финальное решение/070 CatBoost.mp4111.35MB
71. 15 Практикум_ Ансамбль стекинга и финальное решение/071 Ансамбль классификации.mp4132.98MB
72. 15 Практикум_ Ансамбль стекинга и финальное решение/072 Расчет результатов.mp456.05MB
73. 16 Часть 4. Искусственные нейронные сети/073 Искусственные нейронные сети.mp4212.99MB
74. 16 Часть 4. Искусственные нейронные сети/074 Слои в нейросетях.mp4147.04MB
75. 16 Часть 4. Искусственные нейронные сети/075 Нейрон смещения.mp4119.62MB
76. 16 Часть 4. Искусственные нейронные сети/076 Функции активации.mp4280.21MB
77. 16 Часть 4. Искусственные нейронные сети/077 Обратное распространение ошибки.mp4232MB
78. 16 Часть 4. Искусственные нейронные сети/078 Многослойный перцептрон.mp4161.48MB
79. 17 Практикум_ Распознавание формы облаков/079 Предсказание формы облаков.mp4143.76MB
80. 17 Практикум_ Распознавание формы облаков/080 Предобработка изображений.mp461.25MB
81. 17 Практикум_ Распознавание формы облаков/081 Опорные векторы и коэффициент сходства.mp4165.12MB
82. 17 Практикум_ Распознавание формы облаков/082 Двухслойный перцептрон.mp461.78MB
83. 18 Обучение нейросети/083 Эпохи, пакеты, итерации.mp4209.01MB
84. 18 Обучение нейросети/084 Оптимизация нейросетей по Нестерову.mp4179.93MB
85. 18 Обучение нейросети/085 Адаптивная оптимизация нейросетей.mp4204.83MB
86. 18 Обучение нейросети/086 RMSprop, adadelta, adam.mp4183.25MB
87. 18 Обучение нейросети/087 Оптимизация нейросетей.mp4176.42MB
88. 18 Обучение нейросети/088 Пакетная нормализация.mp4229.03MB
89. 18 Обучение нейросети/089 Регуляризация обучения нейросетей.mp4178.81MB
90. 18 Обучение нейросети/090 Методы инициализации весов.mp4204.24MB
91. 18 Обучение нейросети/091 Дополнение данных.mp4158.43MB
92. 18 Обучение нейросети/092 Оптимизация нейросетей.mp4176.04MB
93. 18 Обучение нейросети/093 Свертка и подвыборка.mp4225.94MB
94. 18 Обучение нейросети/094 Сверточные нейросети.mp4181.52MB
95. 19 Практикум_ Сверточные нейросети/095 Свертка и подвыборка.mp4123.26MB
96. 19 Практикум_ Сверточные нейросети/096 Активация и оптимизаторы.mp480.93MB
97. 19 Практикум_ Сверточные нейросети/097 Нормализация и переобучение.mp459.86MB
98. 19 Практикум_ Сверточные нейросети/098 Дополнение изображений.mp4110.97MB
99. 20 Архитектуры сверточных нейросетей/099 LeNet.mp4236.86MB
100. 20 Архитектуры сверточных нейросетей/100 AlexNet.mp4279.61MB
101. 20 Архитектуры сверточных нейросетей/101 VGG.mp4201.82MB
102. 20 Архитектуры сверточных нейросетей/102 GoogLeNet.mp4295.82MB
103. 20 Архитектуры сверточных нейросетей/103 Inception.mp4260.9MB
104. 20 Архитектуры сверточных нейросетей/104 ResNet.mp4173.81MB
105. 20 Архитектуры сверточных нейросетей/105 ResNeXt.mp4188.13MB
106. 20 Архитектуры сверточных нейросетей/106 SE-ResNet.mp4140.03MB
107. 20 Архитектуры сверточных нейросетей/107 EfficientNet.mp4261.73MB
108. 20 Архитектуры сверточных нейросетей/108 DenseNet.mp4145.08MB
109. 20 Архитектуры сверточных нейросетей/109 MobileNet.mp4187.26MB
110. 21 Практикум_ Архитектуры нейронных сетей/110 LeNet, CaffeNet и AlexNet.mp4118MB
111. 21 Практикум_ Архитектуры нейронных сетей/111 VGG16 и VGG19.mp447.74MB
112. 21 Практикум_ Архитектуры нейронных сетей/112 GoogLeNet и Inception-BN.mp448.68MB
113. 21 Практикум_ Архитектуры нейронных сетей/113 Inception V3 и V4.mp482.25MB
114. 21 Практикум_ Архитектуры нейронных сетей/114 ResNet34, 50, 101, 152.mp462.6MB
115. 21 Практикум_ Архитектуры нейронных сетей/115 Архитектура нейросети.mp4183.09MB
116. 22 Практикум_ нейросети для сегментации/116 MobileNet для областей.mp4123.72MB
117. 22 Практикум_ нейросети для сегментации/117 U-Net.mp497.33MB
118. 22 Практикум_ нейросети для сегментации/118 FPN.mp4102.08MB