SlideShare une entreprise Scribd logo
1  sur  31
Télécharger pour lire hors ligne
Денис Пирштук
Supervised ML
in Practice:
Tips & Tricks
2 Что такое машинное обучение и Data Science?
3
Обучение с учителем: типы задач
• Бинарная классификация (письмо/спам)
• Классификация (собака, кошка, мышь)
• Регрессия (курс доллара)
• Ранжирование (поисковая выдача)
Задача:
Конкурс ОТП Банка 2011
Предсказание отклика клиентов банка
на маркетинговую кампанию
Главная страница конкурса:
http://bit.ly/1DPWwG2
5
Примеры входных данных (признаков)
• Бинарные
– наличие в собственности квартиры
– адрес регистрации и адрес фактического пребывания совпадают
– наличие в собственности автомобиля российского производства :-)
• Числовые
– возраст клиента
– личный доход (в рублях)
– количество месяцев проживания по месту фактического пребывания
– сумма последнего кредита клиента (в рублях)
• Категориальные
– отрасль работы клиента
– должность
– семейное положение
6
Какую метрику выбрать?
• Чувствительность (sensitivity, recall rate) – доля
найденных классификатором «1» из всех «1».
• Точность (precision) – доля истинных «1» из
всех предсказанных «1».
• Специфичность (specificity, false positive rate) –
доля предсказанных «1» из всех «0».
• F1 = 2 * recall * precision / (precision + recall).
7
ROC AUC (площадь под кривой ошибок)
ROC = Receiver operating characteristic
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
8
Результаты (2011)
Место AUC
1 0.6935
2 0.6895
3 0.6865
4 0.6835
5 0.6780
6 0.6725
7 0.6706
8 0.6580
9 0.6455
10 0.6380
9
Метод опорных векторов (SVM)
10
SVM: преобразование пространства
https://www.dtreg.com/solution/view/20
11
Переобучение SVM
Переобучение: пример
Higgs Boson Machine Learning Challenge
http://www.kaggle.com/c/higgs-boson
13
Переобучение в конкурсе Higgs Boson
14
SVM: качество в конкурсе ОТП Банка
C Train AUC Test AUC
0.05 0.68866 0.65710
0.5 0.74619 0.66544
1.0 0.77207 0.66102
3.0 0.81860 0.64397
7.0 0.85313 0.63001
15
SVM: качество в конкурсе ОТП Банка
C Train AUC Test AUC Количество
опорных вект.
0.05 0.68866 0.65710 13608
0.5 0.74619 0.66544 12262
1.0 0.77207 0.66102 11988
3.0 0.81860 0.64397 11500
7.0 0.85313 0.63001 11013
16
Наивный Байес: качество в конкурсе
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB().fit(X_scaled, y)
from sklearn.naive_bayes import BernoulliNB
bnb = BernoulliNB().fit(X_scaled, y)
• GaussianNB
– Train AUC: 0.64978
– Test AUC: 0.64447
• BernoulliNB
– Train AUC: 0.65662
– Test AUC: 0.65017
Решающие деревья и
бустинг
18
Решающие деревья
from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier(max_depth=2)
dtc.fit(X, y)
print roc_auc_score(y, dtc.predict_proba(X)[:,1])
print roc_auc_score(answers, dtc.predict_proba(X_test)[:,1])
–Train AUC: 0.60553
–Test AUC: 0.59706
19
Bagging (Bootstrap aggregating)
Classification tree + bagging + random subspace method
= RandomForestClassifier
• For max_depth=8
– Train AUC: 0.82832
– Test AUC: 0.68455
• For max_depth=None (unlimited)
– Train AUC: 1.0
– Test AUC: 0.66077
from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier(n_estimators=400, max_depth=8,
max_features=17, n_jobs=-1, random_state=1).fit(X, y)
20
Важность признаков
Признак Важность
PERSONAL_INCOME 0.113595
AGE 0.094166
FST_PAYMENT 0.091336
CREDIT 0.082360
WORK_TIME 0.078107
FACT_LIVING_TERM 0.075747
LOAN_NUM_PAYM 0.053088
TERM 0.047470
LOAN_AVG_DLQ_AMT 0.046917
LOAN_MAX_DLQ_AMT 0.043202
sorted(zip(rfc.feature_importances_, real_features, ),
reverse=True)
21
AdaBoost
–Train AUC:
0.72852
–Test AUC:
0.68854
from sklearn.ensemble import AdaBoostClassifier
ada = AdaBoostClassifier(n_estimators=500,
learning_rate=0.5).fit(X, y)
22
Стохастический градиентный бустинг
23
XGBoost (eXtreme Gradient Boosting)
• https://github.com/tqchen/xgboost
• Apache License 2.0
• Generalized linear and regression tree
boosters
• «Быстрый старт» для задач классификации,
регрессии, ранжирования
• Обертки для Python, R, Julia
• Hadoop & MPI-версии (distributed version)
– Column-based data splitter – разбиение на узлы по колонкам
– Row-based data splitter – разбиение на узлы по строкам
24
Настройка (eta = 0.02, subsample=1.)
25
Настройка (eta = 0.005, subsample=1.0)
26
Настройка (eta = 0.005, subsample=0.4)
27
Категориальные признаки
• Стратегия 1: заменить категории на доли
«1» в ней
• Стратегия 2: заменить категориальные
признак из N возможных значений на N
бинарных
28
Настройка (eta = 0.005, subsample=0.3)
29
Результат
–Train AUC: 0.7908
–Test AUC: 0.7031
import xgb
params = {'max_depth': 5, 'eta': 0.005, 'subsample': .3,
'silent': 0, 'objective': 'binary:logistic',
'min_child_weight': 1, 'seed': 1234,
'eval_metric': 'auc'}
dtrain = xgb.DMatrix(X, y, missing=-9999.)
bst = xgb.train(params, dtrain, num_boost_round=1300)
30
Data Science != Аналитика
Традиция:
Human readable output
https://hbr.org/2014/08/the-question-to-ask-before-hiring-a-data-scientist/
Data Science:
Machine readable output
Денис Пирштук
dzianis.pirshtuk@yandex.by
Спасибо

Contenu connexe

Tendances

Лекция 3 Сегментация
Лекция 3 СегментацияЛекция 3 Сегментация
Лекция 3 СегментацияVictor Kulikov
 
FaceDetection+GenderRecognition_review
FaceDetection+GenderRecognition_reviewFaceDetection+GenderRecognition_review
FaceDetection+GenderRecognition_reviewKhryashchev
 
Лекция 8 Основы 3D обработки
Лекция 8 Основы 3D обработкиЛекция 8 Основы 3D обработки
Лекция 8 Основы 3D обработкиVictor Kulikov
 
Изучайте Machine Learning во имя добра или Teach my shiny metal ass
Изучайте Machine Learning во имя добра или Teach my shiny metal assИзучайте Machine Learning во имя добра или Teach my shiny metal ass
Изучайте Machine Learning во имя добра или Teach my shiny metal assAnjLab
 
Лекция 07 Обработка видео
Лекция 07 Обработка видеоЛекция 07 Обработка видео
Лекция 07 Обработка видеоVictor Kulikov
 
CV2015. Лекция 6. Нейросетевые алгоритмы.
CV2015. Лекция 6. Нейросетевые алгоритмы.CV2015. Лекция 6. Нейросетевые алгоритмы.
CV2015. Лекция 6. Нейросетевые алгоритмы.Anton Konushin
 
Crowdsourcing с механической поддержкой
Crowdsourcing с механической поддержкойCrowdsourcing с механической поддержкой
Crowdsourcing с механической поддержкойssuser80b897
 
!Predictive analytics part_3
!Predictive analytics part_3!Predictive analytics part_3
!Predictive analytics part_3Vladimir Krylov
 
!Predictive analytics part_2
!Predictive analytics part_2!Predictive analytics part_2
!Predictive analytics part_2Vladimir Krylov
 
Лекция 4 Обработка бинарных изображений
Лекция 4 Обработка бинарных изображенийЛекция 4 Обработка бинарных изображений
Лекция 4 Обработка бинарных изображенийVictor Kulikov
 

Tendances (13)

Лекция 3 Сегментация
Лекция 3 СегментацияЛекция 3 Сегментация
Лекция 3 Сегментация
 
Лекция 2
Лекция 2Лекция 2
Лекция 2
 
FaceDetection+GenderRecognition_review
FaceDetection+GenderRecognition_reviewFaceDetection+GenderRecognition_review
FaceDetection+GenderRecognition_review
 
Лекция 8 Основы 3D обработки
Лекция 8 Основы 3D обработкиЛекция 8 Основы 3D обработки
Лекция 8 Основы 3D обработки
 
Изучайте Machine Learning во имя добра или Teach my shiny metal ass
Изучайте Machine Learning во имя добра или Teach my shiny metal assИзучайте Machine Learning во имя добра или Teach my shiny metal ass
Изучайте Machine Learning во имя добра или Teach my shiny metal ass
 
Лекция 07 Обработка видео
Лекция 07 Обработка видеоЛекция 07 Обработка видео
Лекция 07 Обработка видео
 
Использование поисковых машин и ресурсов Интернет для отбора терминов предмет...
Использование поисковых машин и ресурсов Интернет для отбора терминов предмет...Использование поисковых машин и ресурсов Интернет для отбора терминов предмет...
Использование поисковых машин и ресурсов Интернет для отбора терминов предмет...
 
CV2015. Лекция 6. Нейросетевые алгоритмы.
CV2015. Лекция 6. Нейросетевые алгоритмы.CV2015. Лекция 6. Нейросетевые алгоритмы.
CV2015. Лекция 6. Нейросетевые алгоритмы.
 
Crowdsourcing с механической поддержкой
Crowdsourcing с механической поддержкойCrowdsourcing с механической поддержкой
Crowdsourcing с механической поддержкой
 
4 azure 24 04
4 azure 24 044 azure 24 04
4 azure 24 04
 
!Predictive analytics part_3
!Predictive analytics part_3!Predictive analytics part_3
!Predictive analytics part_3
 
!Predictive analytics part_2
!Predictive analytics part_2!Predictive analytics part_2
!Predictive analytics part_2
 
Лекция 4 Обработка бинарных изображений
Лекция 4 Обработка бинарных изображенийЛекция 4 Обработка бинарных изображений
Лекция 4 Обработка бинарных изображений
 

En vedette

Андрей Устюжанин - Технологии обработки данных из Большого адронного коллайдера
Андрей Устюжанин - Технологии обработки данных из Большого адронного коллайдераАндрей Устюжанин - Технологии обработки данных из Большого адронного коллайдера
Андрей Устюжанин - Технологии обработки данных из Большого адронного коллайдераYandex
 
20120415 videorecognition konushin_lecture05
20120415 videorecognition konushin_lecture0520120415 videorecognition konushin_lecture05
20120415 videorecognition konushin_lecture05Computer Science Club
 
JetPoint meeting @JetBrains on bioinformatics
JetPoint meeting @JetBrains on bioinformaticsJetPoint meeting @JetBrains on bioinformatics
JetPoint meeting @JetBrains on bioinformaticsolegshpynov
 
L11: Метод ансамблей
L11: Метод ансамблейL11: Метод ансамблей
L11: Метод ансамблейTechnosphere1
 
Локализация лиц с помощью детектора Виолы-Джонс
Локализация лиц с помощью детектора Виолы-ДжонсЛокализация лиц с помощью детектора Виолы-Джонс
Локализация лиц с помощью детектора Виолы-ДжонсArtyom Shklovets
 
Winning data science competitions
Winning data science competitionsWinning data science competitions
Winning data science competitionsOwen Zhang
 
Лекция №10 "Алгоритмические композиции. Завершение"
Лекция №10 "Алгоритмические композиции. Завершение" Лекция №10 "Алгоритмические композиции. Завершение"
Лекция №10 "Алгоритмические композиции. Завершение" Technosphere1
 
Gradient Boosted Regression Trees in scikit-learn
Gradient Boosted Regression Trees in scikit-learnGradient Boosted Regression Trees in scikit-learn
Gradient Boosted Regression Trees in scikit-learnDataRobot
 
К.В. Воронцов "Линейные методы классификации"
К.В. Воронцов "Линейные методы классификации"К.В. Воронцов "Линейные методы классификации"
К.В. Воронцов "Линейные методы классификации"Yandex
 
Model selection and tuning at scale
Model selection and tuning at scaleModel selection and tuning at scale
Model selection and tuning at scaleOwen Zhang
 
Make Sense Out of Data with Feature Engineering
Make Sense Out of Data with Feature EngineeringMake Sense Out of Data with Feature Engineering
Make Sense Out of Data with Feature EngineeringDataRobot
 
Featurizing log data before XGBoost
Featurizing log data before XGBoostFeaturizing log data before XGBoost
Featurizing log data before XGBoostDataRobot
 
Decision Tree Ensembles - Bagging, Random Forest & Gradient Boosting Machines
Decision Tree Ensembles - Bagging, Random Forest & Gradient Boosting MachinesDecision Tree Ensembles - Bagging, Random Forest & Gradient Boosting Machines
Decision Tree Ensembles - Bagging, Random Forest & Gradient Boosting MachinesDeepak George
 
Предсказание оттока игроков из World of Tanks
Предсказание оттока игроков из World of TanksПредсказание оттока игроков из World of Tanks
Предсказание оттока игроков из World of TanksYandex
 
GBM package in r
GBM package in rGBM package in r
GBM package in rmark_landry
 
How i became a data scientist
How i became a data scientistHow i became a data scientist
How i became a data scientistOwen Zhang
 
10 R Packages to Win Kaggle Competitions
10 R Packages to Win Kaggle Competitions10 R Packages to Win Kaggle Competitions
10 R Packages to Win Kaggle CompetitionsDataRobot
 

En vedette (20)

Андрей Устюжанин - Технологии обработки данных из Большого адронного коллайдера
Андрей Устюжанин - Технологии обработки данных из Большого адронного коллайдераАндрей Устюжанин - Технологии обработки данных из Большого адронного коллайдера
Андрей Устюжанин - Технологии обработки данных из Большого адронного коллайдера
 
20120415 videorecognition konushin_lecture05
20120415 videorecognition konushin_lecture0520120415 videorecognition konushin_lecture05
20120415 videorecognition konushin_lecture05
 
Marta_Egorova
Marta_EgorovaMarta_Egorova
Marta_Egorova
 
JetPoint meeting @JetBrains on bioinformatics
JetPoint meeting @JetBrains on bioinformaticsJetPoint meeting @JetBrains on bioinformatics
JetPoint meeting @JetBrains on bioinformatics
 
Реализация метода автоматического разрешения лексической многозначности
Реализация метода автоматического разрешения лексической многозначностиРеализация метода автоматического разрешения лексической многозначности
Реализация метода автоматического разрешения лексической многозначности
 
L11: Метод ансамблей
L11: Метод ансамблейL11: Метод ансамблей
L11: Метод ансамблей
 
Локализация лиц с помощью детектора Виолы-Джонс
Локализация лиц с помощью детектора Виолы-ДжонсЛокализация лиц с помощью детектора Виолы-Джонс
Локализация лиц с помощью детектора Виолы-Джонс
 
Winning data science competitions
Winning data science competitionsWinning data science competitions
Winning data science competitions
 
Лекция №10 "Алгоритмические композиции. Завершение"
Лекция №10 "Алгоритмические композиции. Завершение" Лекция №10 "Алгоритмические композиции. Завершение"
Лекция №10 "Алгоритмические композиции. Завершение"
 
Xgboost
XgboostXgboost
Xgboost
 
Gradient Boosted Regression Trees in scikit-learn
Gradient Boosted Regression Trees in scikit-learnGradient Boosted Regression Trees in scikit-learn
Gradient Boosted Regression Trees in scikit-learn
 
К.В. Воронцов "Линейные методы классификации"
К.В. Воронцов "Линейные методы классификации"К.В. Воронцов "Линейные методы классификации"
К.В. Воронцов "Линейные методы классификации"
 
Model selection and tuning at scale
Model selection and tuning at scaleModel selection and tuning at scale
Model selection and tuning at scale
 
Make Sense Out of Data with Feature Engineering
Make Sense Out of Data with Feature EngineeringMake Sense Out of Data with Feature Engineering
Make Sense Out of Data with Feature Engineering
 
Featurizing log data before XGBoost
Featurizing log data before XGBoostFeaturizing log data before XGBoost
Featurizing log data before XGBoost
 
Decision Tree Ensembles - Bagging, Random Forest & Gradient Boosting Machines
Decision Tree Ensembles - Bagging, Random Forest & Gradient Boosting MachinesDecision Tree Ensembles - Bagging, Random Forest & Gradient Boosting Machines
Decision Tree Ensembles - Bagging, Random Forest & Gradient Boosting Machines
 
Предсказание оттока игроков из World of Tanks
Предсказание оттока игроков из World of TanksПредсказание оттока игроков из World of Tanks
Предсказание оттока игроков из World of Tanks
 
GBM package in r
GBM package in rGBM package in r
GBM package in r
 
How i became a data scientist
How i became a data scientistHow i became a data scientist
How i became a data scientist
 
10 R Packages to Win Kaggle Competitions
10 R Packages to Win Kaggle Competitions10 R Packages to Win Kaggle Competitions
10 R Packages to Win Kaggle Competitions
 

Similaire à Supervised ML in Practice: Tips & Tricks

Поиск объектов
Поиск объектовПоиск объектов
Поиск объектовLiloSEA
 
Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)
Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)
Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)Bitworks Software
 
CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.
CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.
CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.Anton Konushin
 
Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...
Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...
Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...Newprolab
 
BigData Week Moscow 2013 - Case: Personalization
BigData Week Moscow 2013 - Case: PersonalizationBigData Week Moscow 2013 - Case: Personalization
BigData Week Moscow 2013 - Case: PersonalizationAnton Gorokhov
 
чернякова г.в.
чернякова г.в.чернякова г.в.
чернякова г.в.sharikdp
 
Data Mining - lecture 3 - 2014
Data Mining - lecture 3 - 2014Data Mining - lecture 3 - 2014
Data Mining - lecture 3 - 2014Andrii Gakhov
 
Лекция №8 "Методы снижения размерности пространства"
Лекция №8 "Методы снижения размерности пространства" Лекция №8 "Методы снижения размерности пространства"
Лекция №8 "Методы снижения размерности пространства" Technosphere1
 
Методы машинного обучения в физике элементарных частиц
Методы машинного обучения в физике элементарных частицМетоды машинного обучения в физике элементарных частиц
Методы машинного обучения в физике элементарных частицAndrey Ustyuzhanin
 
Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...
Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...
Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...rusbase
 
Методы обучения линейных моделей
Методы обучения линейных моделейМетоды обучения линейных моделей
Методы обучения линейных моделейAlex
 
DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...
DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...
DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...it-people
 
Производительный специализированный поиск: архитектура, область применимости ...
Производительный специализированный поиск: архитектура, область применимости ...Производительный специализированный поиск: архитектура, область применимости ...
Производительный специализированный поиск: архитектура, область применимости ...Ontico
 
Статистическое сравнение классификаторов
Статистическое сравнение классификаторовСтатистическое сравнение классификаторов
Статистическое сравнение классификаторовAnton Konushin
 
CV2011-2. Lecture 12. Face models.
CV2011-2. Lecture 12.  Face models.CV2011-2. Lecture 12.  Face models.
CV2011-2. Lecture 12. Face models.Anton Konushin
 
L7:Задача кластеризации. Метрики качества
L7:Задача кластеризации. Метрики качестваL7:Задача кластеризации. Метрики качества
L7:Задача кластеризации. Метрики качестваTechnosphere1
 
CV2011 Lecture 11. Basic video
CV2011 Lecture 11. Basic videoCV2011 Lecture 11. Basic video
CV2011 Lecture 11. Basic videoAnton Konushin
 
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"Technosphere1
 

Similaire à Supervised ML in Practice: Tips & Tricks (20)

Поиск объектов
Поиск объектовПоиск объектов
Поиск объектов
 
Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)
Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)
Введение в машинное обучение. Кластеризация (Bitworks Software, Кирилл Жданов)
 
CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.
CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.
CV2015. Лекция 4. Классификация изображений и введение в машинное обучение.
 
Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...
Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...
Data Science Weekend 2017. E-Contenta. Классификация текстов: в поисках сереб...
 
BigData Week Moscow 2013 - Case: Personalization
BigData Week Moscow 2013 - Case: PersonalizationBigData Week Moscow 2013 - Case: Personalization
BigData Week Moscow 2013 - Case: Personalization
 
чернякова г.в.
чернякова г.в.чернякова г.в.
чернякова г.в.
 
Data Mining - lecture 3 - 2014
Data Mining - lecture 3 - 2014Data Mining - lecture 3 - 2014
Data Mining - lecture 3 - 2014
 
Лекция №8 "Методы снижения размерности пространства"
Лекция №8 "Методы снижения размерности пространства" Лекция №8 "Методы снижения размерности пространства"
Лекция №8 "Методы снижения размерности пространства"
 
Методы машинного обучения в физике элементарных частиц
Методы машинного обучения в физике элементарных частицМетоды машинного обучения в физике элементарных частиц
Методы машинного обучения в физике элементарных частиц
 
Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...
Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...
Станислав Семенов — Консультант по анализу данных, победитель чемпионата ICBD...
 
NTCED
NTCEDNTCED
NTCED
 
Методы обучения линейных моделей
Методы обучения линейных моделейМетоды обучения линейных моделей
Методы обучения линейных моделей
 
DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...
DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...
DUMP-2013 Наука и жизнь - Современная математика компьютерного зрения - Перев...
 
Производительный специализированный поиск: архитектура, область применимости ...
Производительный специализированный поиск: архитектура, область применимости ...Производительный специализированный поиск: архитектура, область применимости ...
Производительный специализированный поиск: архитектура, область применимости ...
 
Статистическое сравнение классификаторов
Статистическое сравнение классификаторовСтатистическое сравнение классификаторов
Статистическое сравнение классификаторов
 
CV2011-2. Lecture 12. Face models.
CV2011-2. Lecture 12.  Face models.CV2011-2. Lecture 12.  Face models.
CV2011-2. Lecture 12. Face models.
 
L7:Задача кластеризации. Метрики качества
L7:Задача кластеризации. Метрики качестваL7:Задача кластеризации. Метрики качества
L7:Задача кластеризации. Метрики качества
 
CV2011 Lecture 11. Basic video
CV2011 Lecture 11. Basic videoCV2011 Lecture 11. Basic video
CV2011 Lecture 11. Basic video
 
MongoDB@addconf
MongoDB@addconfMongoDB@addconf
MongoDB@addconf
 
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
 

Plus de Dzianis Pirshtuk

Practical machine learning: rational approach
Practical machine learning: rational approachPractical machine learning: rational approach
Practical machine learning: rational approachDzianis Pirshtuk
 
Machine Learning and Artificial Intelligence as a business tool and a foundat...
Machine Learning and Artificial Intelligence as a business tool and a foundat...Machine Learning and Artificial Intelligence as a business tool and a foundat...
Machine Learning and Artificial Intelligence as a business tool and a foundat...Dzianis Pirshtuk
 
InData Labs R&D Lab Presentation
InData Labs R&D Lab PresentationInData Labs R&D Lab Presentation
InData Labs R&D Lab PresentationDzianis Pirshtuk
 
DataTalks #6. Погружение в науку о данных
DataTalks #6. Погружение в науку о данныхDataTalks #6. Погружение в науку о данных
DataTalks #6. Погружение в науку о данныхDzianis Pirshtuk
 
Разработка интеллектуальных информационных систем: взгляд изнутри
Разработка интеллектуальных информационных систем: взгляд изнутриРазработка интеллектуальных информационных систем: взгляд изнутри
Разработка интеллектуальных информационных систем: взгляд изнутриDzianis Pirshtuk
 
Введение в современную PostgreSQL. Часть 1
Введение в современную PostgreSQL. Часть 1Введение в современную PostgreSQL. Часть 1
Введение в современную PostgreSQL. Часть 1Dzianis Pirshtuk
 
Введение в современную PostgreSQL. Часть 2
Введение в современную PostgreSQL. Часть 2Введение в современную PostgreSQL. Часть 2
Введение в современную PostgreSQL. Часть 2Dzianis Pirshtuk
 

Plus de Dzianis Pirshtuk (7)

Practical machine learning: rational approach
Practical machine learning: rational approachPractical machine learning: rational approach
Practical machine learning: rational approach
 
Machine Learning and Artificial Intelligence as a business tool and a foundat...
Machine Learning and Artificial Intelligence as a business tool and a foundat...Machine Learning and Artificial Intelligence as a business tool and a foundat...
Machine Learning and Artificial Intelligence as a business tool and a foundat...
 
InData Labs R&D Lab Presentation
InData Labs R&D Lab PresentationInData Labs R&D Lab Presentation
InData Labs R&D Lab Presentation
 
DataTalks #6. Погружение в науку о данных
DataTalks #6. Погружение в науку о данныхDataTalks #6. Погружение в науку о данных
DataTalks #6. Погружение в науку о данных
 
Разработка интеллектуальных информационных систем: взгляд изнутри
Разработка интеллектуальных информационных систем: взгляд изнутриРазработка интеллектуальных информационных систем: взгляд изнутри
Разработка интеллектуальных информационных систем: взгляд изнутри
 
Введение в современную PostgreSQL. Часть 1
Введение в современную PostgreSQL. Часть 1Введение в современную PostgreSQL. Часть 1
Введение в современную PostgreSQL. Часть 1
 
Введение в современную PostgreSQL. Часть 2
Введение в современную PostgreSQL. Часть 2Введение в современную PostgreSQL. Часть 2
Введение в современную PostgreSQL. Часть 2
 

Supervised ML in Practice: Tips & Tricks