机器学习竞赛实战专题-蚂蚁金服支付风险识别-就学培训网

课程简介

机器学习竞赛实战专题-蚂蚁金服支付风险识别：本次课程对蚂蚁金服竞赛业务背景做了简单介绍，讲述了数据分析在拿到数据之后应该如何开始数据探索，如何跑出模型baseline，如何通过可视化及模型输出进行特征选择，如何理解自定义的评价函数，如何用合理的方式记录上分情况而不发生混乱，如何充分利用传统模型和竞赛杀器，如何根据模型原理进行调参，如何寻找准而不同的模型并做出最优的机器学习模型融合，以及最终如何将每一步串联到一起拿到最优模型结果

学习目标

最大化提升实战能力
取得数据科学竞赛TOP名次
拿到比赛丰厚奖金
斩获名企offer

学习对象和基础

具备一定数据分析理论基础，和Python软件基础
有简单项目经验，或尝试参加过机器学习方向的竞赛，熟悉数据分析常用库
具有一定机器学习算法基础，想深入参与推荐系统项目

01章新手上路

01-01说在前面

01-02初识数据科学竞赛

01-03支付宝欺诈风险识别项目导学

01-04机器学习环境:jupyter使用

01-05机器学习常用库（pandas,scikit-learn）

01-06从业务场景认识比赛数据

01-07数据初探索

01-08快速搭建baseline版本

01-09如何制作线下科学验证体系

01-10比赛常用回归任务评价指标

01-11比赛常用分类任务评价指标

01-12支付宝反欺诈自定义评价函数

01-13数据内存优化技巧

01-14数据交叉验证

01-15使用内置cross_validate接口交叉验证

01-16使用logsitic分类模型

01-17使用KNN分类模型

01-18使用Adaboost分类模型

01-19使用Bagging分类模型

01-20使用RandomRorest分类模型

01-21使用GBDT分类模型

01-21scikit-learn各分类模型对比分析

02章玩转机器学习竞赛两大杀器

02-01LightGBM采用scikit-learn方式调用

02-02LightGBM经典方式调用

02-03LightGBM交叉验证

02-04LightGBM参数解析

02-05LightGBM输出特征重要性

02-06LightGBM高级用法

02-07XGBoost使用

02-08XGBoost参数解析

02-09LightGBM和Xgboost自定义目标函数

02-10XGBoost与LightGBM对比分析

02-11LightGBM原理深度解析

03章数据处理与特征工程中的骚操作

03-01数据探索与处理

03-02数据缺失值分析

03-03缺失值高级处理

03-04特征分析

03-05通过Adversarial训练方式试探训练集和测试集分布

03-06特征的IV和WOE编码

03-07基于模型的特征选择

03-08基于scikit-learn中RFECV的特征选择

03-09使用热力图分析特征相关性

03-10使用核密度图分析特征相关性

03-11类别不平衡分析

03-12基于模型的类别不平衡处理

03-13基于数据采样的类别不平衡处理

03-14灰样本拒绝推断方案

03-15多种方式特征选择

03-16特征分布不均匀的处理策略

03-17困难样本分析

04章模型花式融合调参

04-01网格搜索优化模型参数

04-02贝叶斯方法优化模型参数

04-03机器学习比赛中随机种子的作用

04-04模型的偏差与方差分析

04-05准而不同模型选择策略

04-07stacking的模型融合策略

04-08模型之间的相关性分析

04-09蚂蚁金服项目方案整合

机器学习竞赛实战专题-蚂蚁金服支付风险识别

01章新手上路

02章玩转机器学习竞赛两大杀器

03章数据处理与特征工程中的骚操作

04章模型花式融合调参

登录