3 месяца
Программы рубрики «Обучение LightGBM внутри программ по машинному обучению»
Показано 4 программы
11 месяцев
2 месяца
9 месяцев
В подборке представлено 4 курса по машинному обучению, в рамках которых LightGBM изучается как часть градиентного бустинга. Отдельных программ, посвящённых только этой библиотеке, нет: она входит в состав более широких курсов по Data Science и ML, рассматривается вместе с ансамблевыми методами и обработкой табличных данных.
Показано 4 программы
| Программа | Школа | Срок | Стоимость |
|---|---|---|---|
| Профессия Data Scientist | Слёрм | 3 месяца | 35 000 ₽ |
| Superset | karpov.courses | 2 месяца | 37 000 ₽ вместо 52 000 ₽ |
| Инженер машинного обучения: курс для IT-специалистов | Нетология | 11 месяцев | 117 600 ₽ вместо 237 600 ₽ |
| ML Engineering | karpov.courses | 9 месяцев | 250 000 ₽ |
Стоимость обучения варьируется от 35 000 до 250 000 рублей, при этом средняя цена составляет 77 300 рублей. Всего в подборке 3 школы.
Если требуется изучить именно библиотеку, а не получить профессию целиком, быстрее начать с официальной документации. Курс имеет смысл выбирать, когда стоит более масштабная задача: освоить построение модели, довести её до продакшена и разобраться, в чём отличия LightGBM от XGBoost и CatBoost.
LightGBM представляет собой открытую библиотеку градиентного бустинга на основе решающих деревьев, разработанную Microsoft.
Ключевое техническое отличие от XGBoost кроется в способе построения деревьев. В LightGBM дерево растёт не по уровням, а по листьям (leaf-wise): на каждом шаге выбирается лист, дающий наибольший прирост качества. На больших выборках это ускоряет обучение, но повышает риск переобучения, поэтому приходится вручную ограничивать глубину и количество листьев. Кроме того, библиотека умеет напрямую работать с категориальными признаками, минуя этап one-hot кодирования.
Подробная документация с описанием параметров доступна на официальном сайте LightGBM, а исходный код и релизы размещены в репозитории Microsoft на GitHub.
Профессии «специалист по LightGBM» не существует, и курсы, посвящённые единственной библиотеке, на рынке не представлены. Обычно инструмент изучают в рамках более крупных программ: курсов по машинному обучению, профессии Data Scientist или курсов по Python для анализа данных.
Как правило, бустинг рассматривается после освоения базы: статистики, линейных моделей, деревьев решений и случайного леса. К этому моменту студенты уже знакомы со scikit-learn, и LightGBM подаётся как следующий шаг для задач, где линейных моделей недостаточно. Если в программе есть модуль по Big Data, библиотеку демонстрируют и на больших объёмах данных.
При выборе стоит ориентироваться не на курс «по LightGBM», а на программу с сильным блоком по ансамблевым методам и работе с табличными данными. Наличие конкретной библиотеки в описании модуля лучше уточнять у школы до оплаты: содержимое программ меняется чаще, чем информация на сайтах.
Все три библиотеки решают сходные задачи, и на практике их принято сопоставлять. XGBoost появился раньше и дольше применяется в продакшене. LightGBM превосходит конкурентов по скорости на больших табличных наборах данных. CatBoost от Яндекса лучше справляется с категориальными признаками и обычно требует меньше ручной настройки для получения приемлемого результата без дополнительных усилий.
В учебных курсах эти библиотеки чаще всего рассматриваются вместе, в рамках одного модуля: студенты обучают модели на одном датасете, используя каждую библиотеку, и сравнивают качество предсказаний со временем обучения. Главная ценность такого блока — научиться выбирать подходящий инструмент под конкретные данные и уметь аргументировать свой выбор.
Цены в этой подборке начинаются от 35 000 рублей и достигают 250 000 рублей, при этом медианная стоимость составляет 77 300 рублей. Такой разброс объясняется форматом: короткие программы по машинному обучению стоят дешевле, а полные курсы с проверкой домашних заданий и поддержкой при трудоустройстве — дороже.
Отдельная плата за модуль по бустингу не взимается: он включён в общую стоимость программы. Поэтому цену разумно оценивать за весь курс, а не за отдельную библиотеку.
