2017年最新Kaggle 神器：XGBoost 从基础到实战

admin

                      课程介绍:
XGBoost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。
面向人群:
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:
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:
第一讲: 初识XGBoost
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
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
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
课程大小                    

下载地址：

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]