Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
¿Conoces los fundamentos del aprendizaje supervisado y quieres aplicar modelos de vanguardia a conjuntos de datos reales? El gradient boosting es actualmente una de las técnicas más populares para modelar de forma eficiente conjuntos de datos tabulares de todos los tamaños. XGBoost es una implementación de gradient boosting muy rápida y escalable; los modelos con XGBoost ganan con frecuencia competiciones online de ciencia de datos y se usan a gran escala en distintas industrias. En este curso, aprenderás a usar esta potente librería junto con pandas y scikit-learn para crear y ajustar modelos de aprendizaje supervisado. Trabajarás con conjuntos de datos reales para resolver problemas de clasificación y regresión.
Requisitos previos
Programa de formación
Esquema del curso
1
Clasificación con XGBoost
En este capítulo, conocerás la idea fundamental detrás de XGBoost: los learners potenciados (boosted). Una vez entiendas cómo funciona XGBoost, lo aplicarás para resolver un problema común de clasificación en la industria: predecir si un cliente dejará de serlo en algún momento futuro.
- ¡Bienvenido al curso!50 XP
- ¿Cuál de estos es un problema de clasificación?50 XP
- ¿Cuál de estas es un problema de clasificación binaria?50 XP
- Presentación de XGBoost50 XP
- XGBoost: Entrenar/Predecir100 XP
- ¿Qué es un árbol de decisión?50 XP
- Árboles de decisión100 XP
- ¿Qué es el Boosting?50 XP
- Midiendo la exactitud100 XP
- Medir el AUC100 XP
- ¿Cuándo debería usar XGBoost?50 XP
- Usar XGBoost50 XP
2
Regresión con XGBoost
Tras un breve repaso de la regresión supervisada, aplicarás XGBoost a la tarea de regresión de predecir precios de vivienda en Ames, Iowa. Conocerás los dos tipos de learners base que XGBoost puede usar como weak learners y repasarás cómo evaluar la calidad de tus modelos de regresión.
3
Ajuste fino de tu modelo XGBoost
Este capítulo te enseñará a que tus modelos XGBoost rindan al máximo. Verás la variedad de parámetros que se pueden ajustar para modificar el comportamiento de XGBoost y cómo afinarlos de forma eficiente para potenciar el rendimiento de tus modelos.
4
Uso de XGBoost en canalizaciones
Lleva tus habilidades con XGBoost al siguiente nivel incorporando tus modelos en dos canalizaciones de Machine Learning de extremo a extremo. Aprenderás a ajustar de forma eficiente los hiperparámetros más importantes de XGBoost dentro de una canalización y tendrás una introducción a técnicas de preprocesamiento más avanzadas.
Extreme Gradient Boosting con XGBoost
Curso
completado
