да? там можно не oblivious decision trees пихать?

да

grow_policy

прикольно)

но большинству fit_predict хватает

Ну и относительно реальной работы. Новое умолчание библиотеки дает результат лучше, чем заложено курсом. так что смысла то разбираться в библиотеке и математике?

и главное бизнесу этого очень часто хватает

а кэтбуст хоть иногда дает сейчас прирост качества? у меня в биологических задачах стабильно выдавал качество не лучше, а работал естественно в разы дольше

у меня лично - никогда. Но его ансамблирование с лгбм в соревнованиях почти всегда помогало

У меня в задачах ритейла тоже кетбуст хуже чем лгбм

меня больше обрадовал победитель кэггла, который был уверен, что xgboost может предсказывать на область пространства, которую не видел (типа поймать зависимость y=kx + b)

вот это было весело:)

а с этим?

))) это что за победитель и какого соревнования?

про RVM - у Николенко смотрел. А GP так до сих пор нормально и не разобрал, признаться честно :(

это дааавняя история. Я уже не вспомню. Зато он хорошо рассказал про mean encoding)

с бустами больше мотивации разобраться было, поскольку так или иначе в любом табличном сореновании (где данных обычно достаточно) ты заводишь бусты. А вот GP не доводилось использовать

Тут выше уже говорили, если все запихать в один курс, то это бакалавриат))
Без проблем, можно не изучать отдельно numpy, pandas, к примеру.
Но тогда по ходу дела надо будет копаться в документации, искать, если какие-то варианты исполнения задачи.
А можно потренироваться и хотя бы представлять, какие возможности открываются при использовании встроенных функций этих библиотек.
Одну и ту же задачу можно решить разными способами - можно написать код на пол страницы, а можно в одну строку встроенной функцией.

Стас Семенов что ли?)

Ну... кстати, по поводу экстраполяции деревьями