I. Вводная часть
I.1. Типы данных
I.2. Типы переменных
I.3. Функция, производная, частная производная, градиент, градиентный спуск
II. Знакомство с Python
II.1. Введение
II.2. IPython и Jupyter Notebook
II.3. NumPy
II.3a. Numba
II.4. SciPy
II.5. pandas
II.5.1. Создание объекта DataFrame
II.5.2. Доступ к данным внутри объекта DataFrame
II.5.3. Типы переменных
II.5.4. Неверное определение типа из-за неправильного десятичного разделителя
II.5.5. Чтение больших файлов данных чанками
II.5a. datatable
II.6. matplotlib
II.7. scikit-learn
II.7.1. Загрузка данных
II.7.2. Валидация
II.7.3. Классы, строящие модели предварительной подготовки данных, и классы, строящие модели машинного обучения
II.7.4. Работа с классами, строящими модели предварительной подготовки данных
II.7.5. Работа с классами, строящими модели машинного обучения
II.7.6. Наиболее часто используемые классы и функции
II.7.6.1. Классы MissingIndicator и SimpleImputer
II.7.6.2. Класс OneHotEncoder, функция get_dummies(), ускорение вычислений
с помощью разреженных матриц в CSR-формат
II.7.6.3. Класс Pipeline
II.7.6.4. Класс ColumnTransformer
II.7.6.5. Функции cross_val_score(), cross_val_predict() и cross_validate()
II.7.6.6. Классы GridSearchCV и RandomizedSearchCV
II.7.6.6.1. Обычный поиск оптимальных значений гиперпараметров моделей предварительной подготовки и модели машинного обучения
II.7.6.6.2. Обычный поиск оптимальных значений гиперпараметров моделей предварительной подготовки и модели машинного обучения с добавлением строки прогресса
II.7.6.6.3. Случайный поиск оптимальных значений гиперпараметров моделей предварительной подготовки и модели машинного обучения
II.7.6.6.4. Классический перебор значений гиперпараметров для CatBoost при обработке категориальных признаков «как есть» (заданы индексы категориальных признаков)
II.7.6.6.5. Отбор оптимальной модели предварительной подготовки данных в рамках отдельного трансформера
II.7.6.6.6. Отбор оптимального метода машинного обучения среди разных методов машинного обучения (перебор значений гиперпараметров с отдельной предобработкой данных под каждый метод машинного обучения)
II.7.6.6.7. Решаем задачу с Kaggle
II.7.6.6a. Байесовская оптимизация гиперпараметров: библиотеки hyperopt, skopt и optuna
II.7.6.6a.1. Недостатки обычного поиска и случайного поиска
II.7.6.6a.2. Знакомство с байесовской оптимизацией
II.7.6.6a.3. Последовательная оптимизация по модели (Sequential model-based optimization – SMBO)
II.7.6.6a.4. Реализации последовательной оптимизации по модели
II.7.6.6a.5. Библиотека hyperopt
II.7.6.6a.6. Библиотека skopt
II.7.6.6a.7. Библиотека optuna
II.7.6.7. Классы PowerTransformer, KBinsDiscretizer и FunctionTransformer
II.7.6.8. Написание собственных классов для применения в конвейере
II.7.6.9. Модификация классов библиотеки scikit-learn для работы с датафреймами
II.7.6.10. Классы CountVectorizer и TfidfVectorizer
II.8. Dask
II.8.1. Общее знакомство
II.8.1.1. Массив Dask (Dask Array)
II.8.1.2. Датафрейм Dask (Dask DataFrame)
II.8.1.3. Мешок Dask (Dask Bag)
II.8.1.4. Интерфейс Delayed
II.8.2. Машинное обучение
II.8.2.1. Машинное обучение с помощью библиотеки dask-ml
II.8.2.2. Построение конвейера в Dask
II.9. Docker
II.9.1. Введение
II.9.2. Запуск контейнера Docker
II.9.3. Создание контейнера Docker с помощью Dockerfile
III. H2O
III.1. Установка пакета h2o для Python
III.2. Запуск кластера H2O
III.3. Преобразование данных во фреймы H2O
III.4. Знакомство с содержимым фрейма
III.5. Определение имени зависимой переменной и списка имен предикторов
III.6. Построение модели машинного обучения
III.7. Вывод модели
III.8. Получение прогнозов
III.9. Поиск оптимальных значений гиперпараметров по сетке
III.10. Извлечение наилучшей модели по итогам поиска по сетке
III.11. Класс H2OAutoML
IV. Google Colab
IV.1. Общее знакомство
IV.2. Регистрация и создание папки проекта
IV.3. Подготовка блокнота Colab