AutoML: "авто" обработка Датасета. Машинное обучение

AI и машинное обучение — неверно указаны категории?

849 UAH

Отзыв заказчика о сотрудничестве с фрилансером

AutoML: "авто" обработка Датасета. Машинное обучение

849 UAH

Интересный исполнитель. Выполнил проект очень быстро, использовал требующийся материал. Узнал много нового по данному типу работы. Отвечал на многие вопросы. Только позитивные эмоции от работы. Рекомендую и однозначно буду сам еще ни раз обращаться.

5.0

Alex Alex

Встречный отзыв

16 февраля 2021

Отзыв фрилансера о сотрудничестве с Alex Alex

AutoML: "авто" обработка Датасета. Машинное обучение

849 UAH

Четкое ТЗ, своевременная оплата

5.0

Профиль удален

Встречный отзыв

16 февраля 2021

Требуется обработать сет и создать авто-алгоритмы для обучения и обрабтки датасетов.

Implementation of a metaheuristic algorithm for automated selection/configuration of machine learning algorithms

Implement a metaheuristic algorithm (local search, genetic algorithms…) that searches for the best machine learning technique (and best hyperparameters) for a particular classification/regression data set.

Основные пункты что должны быть реализованы в работе:

Берем датасет и чистим его, подготавливаем (https://www.kaggle.com/jsphyg/weather-dataset-rattle-package - использовать самую обновленную версию датасета 2020)
Создаем алгоритмы для возможности заполнения недостающих данных, "улучшаем" базу
Подготавливаем требуемые алгоритмы для автоматического обучения (At least five available machine learning algorithms. ) В данном пункте реализуем # K-nearest neighbors # Random Forest # Gradient boosting # Decision tree # Linear SVM а так же дополнительно Multinomial Logistic Regression
Алгоритмы автоматически ищут лучший алгоритм и лучшие гиперпараметры (Most important hyperparameters that should be tuned for each of these algorithms. You can specify for each hyperparameter a reasonable range of possible values. )
Анализируем данные что вышли (The aim is to find a solution (the best algorithm/hyperparameters) in the search space that optimizes an evaluation score (e.g., classification accuracy or RMSE). )
Применяем такой же подход уже из библиотек Питона auto-sklearn, TPOT (Compare you approach with two state of the art AutoML systems (e.g. auto-sklearn, TPOT…). )
Анализируем данные показатели
Сравниваем наши показатели и показатели auto-sklearn, TPOT (делаем вывод кто "лучше")

Для сравнения можно использовать работы, что были созданы в "ручном режиме" : https://www.kaggle.com/rodrigofrb/feature-selections-and-classification-models

На протяжении всего кода прошу делать заметки (что именно делается) + Чем больше "таблиц" и "графиков", тем лучше... например можно и в ручном режиме посмотреть ConfusionMatrix какие были бы "лучшие Features" для анализа даты, а затем посмотреть что выберет "автоматика". Или сразу установить автоматику и вывести на экран что она выбирает и почему (таблица или график с данными). Т.е. в итоге потребуется создать "презентацию" и код в презентации не требуется, а требуются графики, доказывающие то или иное действие.