2017年最新kaggle神器：gboost从基础到实战2017年最新kaggle神器：xgboost从基础到实战高清精品视频教程附代码讲义4周压缩
资源详情
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
