Machine Learning Bookcamp

Мои проекты по книге А.Григорьева "Машинное обучение. Портфолио реальных проектов" (the Machine Learning Bookcamp book)

Страница автора:

• https://github.com/alexeygrigorev

Папки:

2: Machine Learning for Linear Regression

• Создание проекта предсказания цен на автомобили с использованием модели линейной регрессии
• Проведение первичного исследовательского анализа данных
• Настройка валидационной структуры
• Реализация модели линейной регрессии
• Выполнение простой обработки признаков для модели
• Тюнинг модели с использованием регуляризации
• Использование модели для прогнозирования цен на автомобили

3: Машинное обучение для классификации и метрики оценки классификации

• Прогнозирование оттока клиентов, которые могут отказаться от услуг, с помощью логистической регрессии
• Проведение исследовательского анализа данных для выявления важных признаков
• Кодирование категориальных переменных для их использования в моделях машинного обучения
• Использование логистической регрессии для классификации
• Оценка бинарных моделей классификации с помощью метрики “accuracy”
• Анализ ошибок модели с использованием матрицы ошибок (confusion matrix)
• Вычисление других метрик, таких как “precision” и “recall”, на основе матрицы ошибок
• Использование ROC-кривой и AUC для более глубокого понимания работы бинарной модели классификации
• Проведение кросс-валидации модели для проверки её оптимального поведения
• Настройка параметров модели для достижения наилучшей результативности модели

5: Развёртывание моделей машинного обучения

• Сохранение моделей с использованием Pickle
• Развёртывание моделей с использованием Flask
• Управление зависимостями с помощью Pipenv
• Создание контейнеризированного сервиса с использованием Docker
• Развёртывание в облаке с использованием AWS Elastic Beanstalk

6: Деревья решений и ансамблевое обучение

• Прогнозирование риска дефолта с использованием моделей на основе деревьев
• Деревья решений и алгоритм обучения деревьев решений
• Случайный лес: объединение нескольких деревьев в одну модель
• Градиентный бустинг как альтернативный способ объединения деревьев решений

7: Нейронные сети и глубокое обучение

• Сверточные нейронные сети для классификации изображений
• TensorFlow и Keras — фреймворки для создания нейронных сетей
• Использование предварительно обученных нейронных сетей
• Архитектура свёрточной нейронной сети
• Обучение модели с применением техники transfer learning
• Data augmentations — процесс генерации дополнительных обучающих данных

8: Бессерверное глубокое обучение

• Развёртывание моделей с использованием TensorFlow-Lite — лёгкой среды для применения моделей TensorFlow
• Развёртывание моделей глубокого обучения с использованием AWS Lambda
• Реализация Lambda-функции в виде веб-сервиса через API Gateway

9: Kubernetes и Kubeflow

Kubernetes:

• Изучение различных методов развёртывания и предоставления моделей в облаке
• Развёртывание моделей Keras и TensorFlow с использованием TensorFlow-Serving
• Развёртывание TensorFlow-Serving в Kubernetes

Kubeflow:

• Использование Kubeflow и KFServing для упрощения процесса развёртывания