Повний практичний посібник з інженерії ознак у Python: числові трансформації, кодування категорій, обробка пропусків, автоматизація з feature-engine та Featuretools, побудова пайплайнів scikit-learn 1.8.
Практичне порівняння XGBoost 3.2, LightGBM 4.6 та CatBoost 1.2.10 у Python — з кодом, бенчмарками, налаштуванням гіперпараметрів через Optuna, ансамблюванням і порадами, який фреймворк обрати для вашого проєкту.
Покроковий посібник зі створення ML-пайплайнів у scikit-learn 1.8: Pipeline, ColumnTransformer, TargetEncoder, GPU-прискорення через Array API, Metadata Routing, оптимізація порогів та наскрізний приклад класифікації.