OTUS: Один в поле не воин: методы ансамблирования в машинном обучении // «Machine Learning. Professi HD

Вы узнаете: Какие подходы к ансамблированию сегодня существуют в машинном обучении. Как устроены такие популярные техники ансамблирования как Bagging, Random Forest и Gradient Boosting. Когда и как их стоит применять для решения ML-задач.
Кому подходит этот урок:
— IT-специалистам которые хотят освоить продвинутые методы ML и перейти в Data Science
— Дата-сайентистам, желающим углубиться в профессию
— Тем кто самостоятельно изучает Data Science и уже изучил основы ML
Результаты урока: вы узнаете основные подходы к ансамблированию, которые сегодня используют в ML. Изучите устройство наиболее популярных методов ансамблирования (Bagging, Random Forest, Boosting) и примените их на практике.

«Machine Learning. Professional» — otus.pw/BZ6M/

Преподаватель: Мария Тихонова — Senior Data Scientist SberDevices, преподаватель ВШЭ

Подключайтесь к обсуждению в чате — otus.pw/jIzso/

Пройдите опрос по итогам мероприятия — otus.pw/BKt3/

Следите за новостями проекта:
— Telegram: t.me/Otusjava
— ВКонтакте: otus.pw/850t
— LinkedIn: otus.pw/yQwQ/
— Хабр: otus.pw/S0nM/