Как обучить модель по шагам в Data Science / Урок для начинающих на примере задачи регрессии

В этом видео посмотрим как подходить к задаче с точки зрения Data Science, как по шагам использовать модель машинного обучения, учитывая все нюансы. Таймкоды: 00:00 Разбор алгоритма построение модели машинного обучения в Jupyter Notebook 00:42 С чего начинать исследование в ноутбуке? О важности написания качественного кода, стандарты PEP8, расширения для Jupyter Notebook 02:06 Загрузка данных 02:28 Смотрим на размер датасета, основные статистики, для чего это важно? 04:04 EDA - Разведочный анализ данных + про гипотезы, как на основании гипотез строить графики 04:53 Как заполнять пропуски в данных 05:34 Обработка выбросов 06:12 Анализ распределения целевой переменной, зависимости, логарифмирование, обработка категориальных признаков 09:12 Моделирование при помощи ML. Нормализация и когда она нужна перед использованием моделей 10:07 Разбиение на тренировочные и тестовые данные 10:40 Как производить отбор значимых признаков 12:11 Выбор метрик для задачи регрессии или классификации 13:41 Baseline 14:40 Подбор оптимальных значений для гиперпараметров, рассмотрение разных способов + кросс-валидация 15:52 Обучение итоговой модели при помощи наилучших значений найденных гиперпараметров 16:45 Что делать дальше? 17:06 Feature importance, Permutation, SHAP / Подходы к интерпретации моделей 19:31 Как описать результаты работы? Почему это важно? 21:33 Ваши комментарии и дополнения. Сообщество PyMagic в ВКонтакте/Telegram #Образование