亚洲国产天堂久久综合226114,亚洲va中文字幕无码毛片,亚洲av无码片vr一区二区三区,亚洲av无码乱码在线观看,午夜爽爽爽男女免费观看影院

       1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
       2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)?！詈细駥W(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升職業(yè)資質(zhì)。專注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書受到廣泛認(rèn)可。

第一部份：Crowdflower Search Results Relevance
案例介紹：預(yù)測(cè)來自電子商務(wù)站點(diǎn)的搜索結(jié)果的準(zhǔn)確性，將搜索得到的網(wǎng)頁按相關(guān)性排序
獲獎(jiǎng)?wù)咚梅椒ǎ和ㄟ^ensemble learning整合多個(gè)模型的結(jié)果
涉及算法：Ensemble learning

第二部份：Santander Product Recommendation
案例介紹：根據(jù)銀行客戶1.5年內(nèi)的行為數(shù)據(jù)，預(yù)測(cè)用戶會(huì)下一步會(huì)投資的新產(chǎn)品
獲獎(jiǎng)?wù)咚梅椒ǎ和ㄟ^XGBoost構(gòu)建了多個(gè)基本模型，然后將基本模型整合為一個(gè)總模型
涉及算法：XGBoost

第三部份：TalkingData Mobile User Demographics
案例介紹：根據(jù)用戶的手機(jī)應(yīng)用下載和使用行為來預(yù)測(cè)用戶的人口統(tǒng)計(jì)數(shù)據(jù)（年齡、性別等）
獲獎(jiǎng)?wù)咚梅椒ǎ?先預(yù)測(cè)性別的概率；使用性別的預(yù)測(cè)值作為額外的特征加入到模型中，預(yù)測(cè)年齡；通過條件概率得到兩個(gè)目標(biāo)變量的預(yù)測(cè)概率
涉及算法：兩段預(yù)測(cè)，XGBoost

第四部份：Facebook V: Predicting Check Ins
案例介紹：預(yù)測(cè)用戶會(huì)在哪個(gè)地方登陸Facebook
獲獎(jiǎng)?wù)咚梅椒ǎ禾卣鬟x擇：數(shù)據(jù)塊的最近鄰計(jì)算；模型構(gòu)建：基于XGBoost的兩步模型
涉及算法：XGboost

第五部份：Avito Duplicate Ads Detection
案例介紹：為了避免賣家發(fā)布各種經(jīng)過少量改動(dòng)的廣告導(dǎo)致買家難以分辨，參賽者需要設(shè)計(jì)一個(gè)模型，自動(dòng)識(shí)別配對(duì)中的廣告是否同一個(gè)廣告
獲獎(jiǎng)?wù)咚梅椒ǎ禾卣鬟x擇：采用了FTIM方法測(cè)試特征的不穩(wěn)定性，提出過度擬合的特征。通過XGBoost和Keras構(gòu)建一層模型；然后通過底層模型構(gòu)建XGBoost 和隨機(jī)森林，最終綜合兩者結(jié)果得到最終結(jié)果
涉及算法：FTIM；元模型

第六部份：Outbrain Click Prediction
案例介紹：在一組針對(duì)用戶推薦內(nèi)容中，預(yù)測(cè)用戶點(diǎn)擊每個(gè)鏈接的可能，將這些推薦內(nèi)容按照點(diǎn)擊可能的大小排序
獲獎(jiǎng)?wù)咚梅椒ǎ簝刹皆Ｐ停和ㄟ^LibFFM構(gòu)建第一層模型，再使用XGBoost和Keras構(gòu)建第二層模型
涉及算法：LibFFM；XGBoost；Keras框架

第七部份：Click-Through Rate Prediction
案例介紹：預(yù)測(cè)某個(gè)廣告是否會(huì)被點(diǎn)擊
獲獎(jiǎng)?wù)咚梅椒ǎ簩?shù)據(jù)拆分成不同的子集，構(gòu)建不同的子模型，再整合
涉及算法：LIBFFM

第八部份：Avito Context Ad Clicks
案例介紹：預(yù)測(cè)俄羅斯較大的一般分類網(wǎng)站的用戶在瀏覽網(wǎng)站時(shí)，是否點(diǎn)擊上下文廣告
獲獎(jiǎng)?wù)咚梅椒ǎ侯A(yù)處理：散列技巧和消極的抽樣。 學(xué)習(xí)方法：FFM、FM和XGBoost。
涉及算法：FFM；FM；XGboost

第九部份：Rossmann Store Sales
案例介紹：預(yù)測(cè)Rossmann公司各個(gè)門店的6周銷售量
獲獎(jiǎng)?wù)咚梅椒ǎ悍诸愄卣鞯奶幚恚簞?chuàng)建了一種 Entity Embedding（實(shí)體嵌入）的方法去代表在多維空間中的分類特征。
涉及算法：Entity Embedding；神經(jīng)網(wǎng)絡(luò)

第十部份：Amazon.com - Employee Access Challenge
案例介紹：根據(jù)員工的職業(yè)角色，預(yù)測(cè)員工的訪問需求
獲獎(jiǎng)?wù)咚梅椒ǎ?1個(gè)模型的線性組合：使用不同特征訓(xùn)練的GBM模型，GLNNET模型，隨機(jī)森林模型，logistic回歸模型
涉及算法：GBM模型，GLNNET模型，隨機(jī)森林模型，logistic回歸模型