2017年最新Kaggle 神器：XGBoost 从基础到实战

admin

                      课程介绍:
7 O0 G5 R* M. f" rXGBoost是极端梯度提升(eXtreme Gradient Boosting)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。
0 q( ^& V) q% Q/ W  f- J1 w面向人群:
: u. J* L) r9 R* N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:
! K8 A5 ~: e5 _& `; ~! ^  e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:
4 l) D( R5 m5 x4 _# {第一讲: 初识XGBoost
+ r& B0 f; s% d+ P# U一、XGBoost简介 Gradient Boosting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
. S6 ~% a: q% F2 N4 Z' f一、Boosting 基本思想 AdaBoost 二、Gradient Boosting 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Allstate Instance Claim任务
第四讲：XGBoost实战
, Y4 \$ y" ]0 u; U+ w, N/ O" t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Two Sigma Connect：Rental Listing Inquiries任务
1 ~( x& A, f2 ~$ s课程大小                    

下载地址：
- b# s" }" ]0 S( d

游客，如果您要查看本帖隐藏内容请回复

谢谢分享！！

收割一波好资源

终于找到了,哈哈

谢谢拿走了

谢谢拿走了

楼主发贴辛苦了，谢谢楼主分享

回帖看看下载地址

太多需要的课程了

<<2017年最新Kaggle 神器：XGBoost 从基础到实战>>[复制链接]