Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Vous connaissez les bases de l’apprentissage supervisé et souhaitez utiliser des modèles de pointe sur des jeux de données réels ? Le gradient boosting est aujourd’hui l’une des techniques les plus populaires pour modéliser efficacement des données tabulaires de toutes tailles. XGBoost est une implémentation très rapide et évolutive du gradient boosting ; des modèles basés sur XGBoost remportent régulièrement des concours en ligne de data science et sont utilisés à grande échelle dans de nombreux secteurs. Dans ce cours, vous apprendrez à utiliser cette bibliothèque puissante avec pandas et scikit-learn pour construire et optimiser des modèles d’apprentissage supervisé. Vous travaillerez sur des jeux de données réels pour résoudre des problèmes de classification et de régression.
Prérequis
Programme de formation
Plan du cours
1
Classification avec XGBoost
Ce chapitre vous présente l’idée fondamentale derrière XGBoost — les apprenants boostés. Une fois que vous comprendrez le fonctionnement de XGBoost, vous l’appliquerez pour résoudre un problème de classification courant dans l’industrie : prédire si un client cessera d’être client à un moment donné dans le futur.
- Bienvenue dans le cours !50 XP
- Lequel de ces cas est un problème de classification ?50 XP
- Lequel de ces cas est un problème de classification binaire ?50 XP
- Introduction à XGBoost50 XP
- XGBoost : entraînement/prédiction100 XP
- Qu’est-ce qu’un arbre de décision ?50 XP
- Arbres de décision100 XP
- Qu’est-ce que le Boosting ?50 XP
- Mesurer la précision100 XP
- Mesurer l’AUC100 XP
- Quand dois-je utiliser XGBoost ?50 XP
- Utiliser XGBoost50 XP
2
Régression avec XGBoost
Après un bref rappel sur la régression supervisée, vous appliquerez XGBoost à une tâche de régression pour prédire les prix des maisons à Ames, dans l’Iowa. Vous découvrirez les deux types d’apprenants de base que XGBoost peut utiliser comme apprenants faibles, et reverrez comment évaluer la qualité de vos modèles de régression.
3
Ajuster finement votre modèle XGBoost
Ce chapitre vous apprendra à rendre vos modèles XGBoost aussi performants que possible. Vous verrez la variété de paramètres qui peuvent être ajustés pour modifier le comportement de XGBoost et comment les régler efficacement afin de doper les performances de vos modèles.
4
Utiliser XGBoost dans des pipelines
Passez au niveau supérieur avec XGBoost en intégrant vos modèles dans deux pipelines de Machine Learning de bout en bout. Vous apprendrez à régler efficacement les hyperparamètres les plus importants de XGBoost au sein d’un pipeline, et vous aurez un aperçu de techniques de prétraitement plus avancées.
Extreme Gradient Boosting avec XGBoost
Cours
terminé
