Машинное обучение с несбалансированными данными

Дисбаланс классов в данных часто приводит к тому, что модель игнорирует меньшинство — в этом курсе разбираются методы исправления ситуации, от простых манипуляций с выборкой до создания синтетических данных. Вы пройдете путь от выбора метрик оценки производительности модели, которые адекватно показывают результат на перекошенных данных, до реализации алгоритмов ансамблевого обучения. Обучение построено на практических примерах с кодом на Python, что позволяет сразу применять техники для улучшения точности классификаторов в реальных проектах.