50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
Setze deine Machine-Learning-Reise fort und tauche ein in die spannende Welt der Ensemble-Methoden! Diese gehören zu einer faszinierenden Klasse von Techniken, die mehrere einzelne Algorithmen kombinieren, um die Leistung zu steigern und komplexe Probleme in großem Maßstab in verschiedenen Branchen zu lösen. Mit Ensemble-Verfahren werden regelmäßig auch Online-ML-Wettbewerbe gewonnen!
In diesem Kurs lernst du fortgeschrittene Ensemble-Techniken wie Bagging, Boosting und Stacking kennen. Du wendest sie auf realistische Datensätze an – mit modernen Python-ML-Bibliotheken wie scikit-learn, XGBoost, CatBoost und mlxtend.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Mehrere Modelle kombinieren
Fällt es dir schwer zu entscheiden, welches deiner Modelle am besten zu deinem Problem passt? Lass das – und nutze einfach alle! In diesem Kapitel lernst du, wie du mehrere Modelle mit "Voting" und "Averaging" zu einem kombinierst. Damit sagst du Bewertungen von Apps im Google Play Store voraus, ob ein Pokémon legendär ist oder welche Figuren in Game of Thrones sterben werden!
- Einführung in Ensemble-Methoden50 XP
- Google-Apps-Daten erkunden50 XP
- Die Bewertung einer App vorhersagen100 XP
- Voting50 XP
- Das beste Modell auswählen100 XP
- Baue dein erstes Ensemble100 XP
- Dein Ensemble bewerten100 XP
- Averaging50 XP
- Reise nach Westeros50 XP
- Vorhersage von GoT-Toden100 XP
- Soft vs. Hard Voting100 XP
2
Bagging
Bagging ist die Ensemble-Methode hinter leistungsstarken Machine-Learning-Algorithmen wie Random Forests. In diesem Kapitel lernst du die Theorie hinter dieser Technik kennen und baust eigene Bagging-Modelle mit scikit-learn.
3
Boosting
Boosting ist eine Klasse von Ensemble-Lernalgorithmen, zu der preisgekrönte Modelle wie AdaBoost gehören. In diesem Kapitel lernst du dieses ausgezeichnete Modell kennen und nutzt es, um die Einnahmen preisgekrönter Filme vorherzusagen! Außerdem lernst du Gradient-Boosting-Algorithmen wie CatBoost und XGBoost kennen.
4
Stacking
Mach dich bereit zu sehen, was sich stapeln lässt! In diesem letzten Kapitel lernst du die Ensemble-Methode Stacking kennen. Du setzt sie mit scikit-learn sowie mit der mlxtend-Bibliothek um! Du wendest Stacking an, um die Essbarkeit nordamerikanischer Pilze vorherzusagen und kehrst mit diesem fortgeschrittenen Ansatz zu den Bewertungen von Google-Apps zurück.
Ensemble-Methoden in Python
Kurs
abgeschlossen
