After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Decision tree adalah model pembelajaran terawasi yang digunakan untuk permasalahan klasifikasi dan regresi. Model pohon sangat fleksibel, namun hal ini memiliki konsekuensi: di satu sisi, pohon mampu menangkap hubungan nonlinier yang kompleks; di sisi lain, pohon cenderung menghafal derau yang ada dalam himpunan data. Dengan menggabungkan prediksi dari pohon yang dilatih secara berbeda, metode ensemble memanfaatkan fleksibilitas pohon sekaligus mengurangi kecenderungan untuk menghafal derau. Metode ensemble digunakan di berbagai bidang dan telah terbukti sering memenangkan banyak kompetisi Machine Learning.
Dalam kursus ini, Anda akan mempelajari cara menggunakan Python untuk melatih decision tree dan model berbasis pohon dengan pustaka Machine Learning scikit-learn yang mudah digunakan. Anda akan memahami kelebihan dan kekurangan model pohon serta melihat bagaimana ensembling dapat mengatasi kekurangan tersebut, sambil berlatih menggunakan himpunan data dunia nyata. Terakhir, Anda juga akan memahami cara melakukan penyetelan pada hiperparameter yang paling berpengaruh agar memperoleh performa optimal dari model Anda.
Prasyarat
Kurikulum
Garis besar kursus
1
Classification and Regression Trees
Classification and Regression Trees (CART) adalah sekumpulan model pembelajaran terawasi yang digunakan untuk permasalahan klasifikasi dan regresi. Pada bab ini, Anda akan diperkenalkan pada algoritma CART.
- Pohon keputusan untuk klasifikasi50 XP
- Latih pohon klasifikasi pertama Anda100 XP
- Evaluasi pohon klasifikasi100 XP
- Logistic regression vs classification tree100 XP
- Pembelajaran pohon klasifikasi50 XP
- Membangun pohon klasifikasi50 XP
- Menggunakan entropy sebagai kriteria100 XP
- Entropi vs Indeks Gini100 XP
- Pohon keputusan untuk regresi50 XP
- Latih pohon regresi pertama Anda100 XP
- Evaluasi pohon regresi100 XP
- Regresi linear vs pohon regresi100 XP
2
Trade-off Bias-Variance
Trade-off bias-variance adalah salah satu konsep mendasar dalam Machine Learning terawasi. Pada bab ini, Anda akan memahami cara mendiagnosis masalah overfitting dan underfitting. Anda juga akan diperkenalkan pada konsep ensembling, yaitu ketika prediksi dari beberapa model digabungkan untuk menghasilkan prediksi yang lebih tangguh.
3
Bagging dan Random Forest
Bagging adalah metode ensemble yang melibatkan pelatihan algoritma yang sama berkali-kali menggunakan subset berbeda yang diambil dari data pelatihan. Pada bab ini, Anda akan memahami bagaimana bagging dapat digunakan untuk membangun ensemble pohon. Anda juga akan mempelajari bagaimana algoritma random forests dapat meningkatkan keragaman ensemble melalui pengacakan pada tingkat setiap pemisahan di dalam pohon-pohon yang membentuk ensemble.
4
Boosting
Boosting mengacu pada metode ensemble di mana beberapa model dilatih secara berurutan dan setiap model belajar dari kesalahan pendahulunya. Pada bab ini, Anda akan diperkenalkan pada dua metode boosting: AdaBoost dan Gradient Boosting.
5
Penyetelan Model
Hiperparameter pada sebuah model Machine Learning adalah parameter yang tidak dipelajari dari data. Parameter ini harus ditetapkan sebelum menyesuaikan model ke himpunan pelatihan. Pada bab ini, Anda akan mempelajari cara menyetel hiperparameter model berbasis pohon menggunakan grid search cross validation.
Machine Learning dengan Model Berbasis Pohon di Python
Kursus
Selesai
