Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Du kennst die Grundlagen des überwachten Lernens und möchtest modernste Modelle auf realen Datensätzen einsetzen? Gradient Boosting ist derzeit eine der beliebtesten Techniken, um tabellarische Datensätze jeder Größe effizient zu modellieren. XGBoost ist eine sehr schnelle, skalierbare Implementierung von Gradient Boosting. Modelle mit XGBoost gewinnen regelmäßig Online-Data-Science-Wettbewerbe und werden branchenweit in großem Maßstab eingesetzt. In diesem Kurs lernst du, wie du diese leistungsstarke Bibliothek zusammen mit pandas und scikit-learn nutzt, um überwachte Lernmodelle zu erstellen und zu optimieren. Du arbeitest mit realen Datensätzen, um Klassifikations- und Regressionsaufgaben zu lösen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Klassifikation mit XGBoost
In diesem Kapitel lernst du die Grundidee hinter XGBoost kennen: Boosted Learners. Wenn du verstanden hast, wie XGBoost funktioniert, wendest du es auf ein häufiges Klassifikationsproblem aus der Praxis an: vorhersagen, ob ein Kunde in Zukunft abspringen wird.
- Willkommen zum Kurs!50 XP
- Welche dieser Aufgaben ist ein Klassifikationsproblem?50 XP
- Welche davon ist ein Problem der binären Klassifikation?50 XP
- Einführung in XGBoost50 XP
- XGBoost: Fit/Predict100 XP
- Was ist ein Entscheidungsbaum?50 XP
- Entscheidungsbäume100 XP
- Was ist Boosting?50 XP
- Genauigkeit messen100 XP
- AUC messen100 XP
- Wann sollte ich XGBoost verwenden?50 XP
- XGBoost einsetzen50 XP
2
Regression mit XGBoost
Nach einer kurzen Wiederholung der überwachten Regression wendest du XGBoost auf die Regressionsaufgabe an, die Hauspreise in Ames, Iowa, vorherzusagen. Du lernst die beiden Arten von Basislernenden kennen, die XGBoost als schwache Lerner verwenden kann, und wiederholst, wie du die Qualität deiner Regressionsmodelle bewertest.
3
Dein XGBoost-Modell feinabstimmen
In diesem Kapitel erfährst du, wie du deine XGBoost-Modelle so leistungsfähig wie möglich machst. Du lernst die Vielzahl an Parametern kennen, mit denen sich das Verhalten von XGBoost steuern lässt, und wie du sie effizient tunst, um die Performance deiner Modelle deutlich zu steigern.
4
XGBoost in Pipelines verwenden
Hebe deine XGBoost-Skills auf das nächste Level, indem du deine Modelle in zwei End-to-End-Machine-Learning-Pipelines integrierst. Du lernst, wie du die wichtigsten XGBoost-Hyperparameter effizient innerhalb einer Pipeline tunst, und erhältst eine Einführung in einige fortgeschrittene Vorverarbeitungstechniken.
Extreme Gradient Boosting mit XGBoost
Kurs
abgeschlossen
