Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Entscheidungsbäume sind überwachtes Lernverfahren für Klassifikations- und Regressionsaufgaben. Baum-Modelle sind sehr flexibel – das hat jedoch seinen Preis: Einerseits können Bäume komplexe, nichtlineare Zusammenhänge erfassen; andererseits neigen sie dazu, das Rauschen in einem Datensatz auswendig zu lernen. Durch das Aggregieren der Vorhersagen unterschiedlich trainierter Bäume nutzen Ensemblemethoden die Flexibilität von Bäumen und verringern gleichzeitig ihre Tendenz, Rauschen zu memorieren. Ensemblemethoden werden in vielen Bereichen eingesetzt und haben nachweislich zahlreiche Wettbewerbe im maschinellen Lernen gewonnen.
In diesem Kurs lernst du, wie du mit Python Entscheidungsbäume und baumbasierte Modelle mit der benutzerfreundlichen Machine-Learning-Bibliothek scikit-learn trainierst. Du verstehst die Stärken und Schwächen von Bäumen und siehst, wie Ensembling diese Schwächen abmildern kann – anhand praxisnaher Datensätze. Abschließend lernst du, die wichtigsten Hyperparameter zu optimieren, um das Maximum aus deinen Modellen herauszuholen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Klassifikations- und Regressionsbäume
Klassifikations- und Regressionsbäume (CART) sind eine Klasse überwachter Lernmodelle für Klassifikations- und Regressionsaufgaben. In diesem Kapitel lernst du den CART-Algorithmus kennen.
- Entscheidungsbaum für die Klassifikation50 XP
- Trainiere deinen ersten Klassifikationsbaum100 XP
- Den Klassifikationsbaum bewerten100 XP
- Logistische Regression vs. Klassifikationsbaum100 XP
- Lernen von Klassifikationsbäumen50 XP
- Einen Klassifikationsbaum wachsen lassen50 XP
- Entropie als Kriterium verwenden100 XP
- Entropie vs. Gini-Index100 XP
- Entscheidungsbaum für Regression50 XP
- Trainiere deinen ersten Regressionsbaum100 XP
- Den Regressionsbaum auswerten100 XP
- Lineare Regression vs. Regressionsbaum100 XP
2
Der Bias-Variance-Trade-off
Der Bias-Variance-Trade-off gehört zu den grundlegenden Konzepten des überwachten maschinellen Lernens. In diesem Kapitel lernst du, Überanpassung (Overfitting) und Unteranpassung (Underfitting) zu diagnostizieren. Außerdem bekommst du eine Einführung in Ensembling, bei dem die Vorhersagen mehrerer Modelle aggregiert werden, um robustere Vorhersagen zu erhalten.
3
Bagging und Random Forests
Bagging ist eine Ensemblemethode, bei der derselbe Algorithmus mehrfach auf unterschiedlichen, aus den Trainingsdaten gezogenen Stichproben trainiert wird. In diesem Kapitel verstehst du, wie sich mit Bagging ein Baum-Ensemble aufbauen lässt. Außerdem lernst du, wie der Random-Forests-Algorithmus durch zusätzliche Randomisierung bei jedem Split in den Bäumen des Ensembles zu noch mehr Vielfalt führt.
4
Boosting
Boosting bezeichnet eine Ensemblemethode, bei der mehrere Modelle sequenziell trainiert werden und jedes Modell aus den Fehlern seiner Vorgänger lernt. In diesem Kapitel lernst du die beiden Boosting-Methoden AdaBoost und Gradient Boosting kennen.
5
Modell-Tuning
Die Hyperparameter eines Machine-Learning-Modells werden nicht aus Daten gelernt. Sie werden festgelegt, bevor das Modell auf den Trainingssatz angepasst wird. In diesem Kapitel lernst du, die Hyperparameter eines baumbasierten Modells mithilfe von Grid-Search-Cross-Validation zu optimieren.
Maschinelles Lernen mit baumbasierten Modellen in Python
Kurs
abgeschlossen
