2017年最新Kaggle 神器：XGBoost 从基础到实战,全套视频教程学习资料通过百度云网盘下载
资源详情
课程介绍:XGBoost是极端梯度提升(eXtremeGradientBoosting)的简称。XGBoost源于梯度提升框架，但是更加高效，秘诀就在于算法能并行计算、近似建树、对稀疏数据的有效处理以及内存使用优化，这使得XGBoost至少比现有梯度提升实现有至少10倍的速度提升。XGBoost可以处理回归、分类和排序等多种任务。由于它在预测忄生能上的强大且训练速度快，XGBoost已屡屡斩获Kaggle各大竞赛的冠军宝座。面向人群:数学要求低，初级Python编程基础；想深入学习XGBoost原理及调参；对机器学习（尤其是竞赛）感兴趣的学生或从业人员。课程目标:从数学原理到项目实战：1）理解模型基本原理，掌握XGBoost参数调优2）进击Kaggle竞赛举一反三，更快更好学习其他机器学习模型1）掌握机器学习模型的一般原理及XGBoost的特别之处课程目录:第一讲:初识XGBoost一、XGBoost简介GradientBoosting简介XGBoost的特别之处二、XGBoost的优势速度忄生能三、与XGBoost的第一次亲密接触数据科学任务的一般处理流程XGBoost独立使用与scikit-learn一起使用（学习率、交叉验证）四、案例：XGBoost安装包自带数据集（蘑菇分类）第二讲：暂别XGBoost一、监督学习模型参数目标函数（损失、正则、过拟合／欠拟合）优化：梯度下降、常用损失函数的梯度推导二、分类回归树模型／参数／目标函数／优化（分裂与剪枝）三、随机森林Bagging／行、列随机采样四、案例：Kaggle蘑菇分类任务第三讲：重回XGBoost一、Boosting基本思想AdaBoost二、GradientBoosting基本框架L2Boosting／AdaBoost三、XGBoost忄生能改进：规范的正则、损失函数二阶近似、建树&剪枝、缺失值处理速度改进：稀疏特征、并行、Cache、分布式四、案例：Kaggle的AllstateInstanceClaim任务第四讲：XGBoost实战一、特征工程常规数据检查流程特征类型变换编码特征工程一般原则二、XGBoost参数调优评估准则复习交叉验证三、XGBoost其他高级应用多线程，并行四、案例：Kaggle的TwoSigmaConnect：RentalListingInquiries任务课程大小
**** Hidden Message *****
页:
[1]