Last chance: 50% off unlimited learning
Sale ends in
Descrizione del corso
Conosci le basi del supervised learning e vuoi usare modelli all’avanguardia su insiemi di dati reali? Il gradient boosting è oggi una delle tecniche più popolari per modellare in modo efficiente insiemi di dati tabellari di qualsiasi dimensione. XGBoost è un’implementazione di gradient boosting molto veloce e scalabile: i modelli basati su XGBoost vincono regolarmente competizioni online di data science e sono usati su larga scala in vari settori. In questo corso imparerai a usare questa potente libreria insieme a pandas e scikit-learn per costruire e ottimizzare modelli di supervised learning. Lavorerai con insiemi di dati reali per risolvere problemi di classificazione e regressione.
Prerequisiti
Programma
Struttura del corso
1
Classificazione con XGBoost
Questo capitolo ti introdurrà all’idea fondamentale alla base di XGBoost: i learner potenziati (boosted). Una volta capito come funziona XGBoost, lo applicherai per risolvere un comune problema di classificazione in ambito industriale: prevedere se un cliente smetterà di esserlo a un certo punto in futuro.
- Benvenuto/a al corso!50 XP
- Quale di questi è un problema di classificazione?50 XP
- Quale di questi è un problema di classificazione binaria?50 XP
- Introduzione a XGBoost50 XP
- XGBoost: Fit/Predict100 XP
- Che cos'è un albero decisionale?50 XP
- Alberi decisionali100 XP
- Che cos'è il Boosting?50 XP
- Misurare l'accuratezza100 XP
- Misurare l'AUC100 XP
- Quando dovrei usare XGBoost?50 XP
- Usare XGBoost50 XP
2
Regressione con XGBoost
Dopo un breve ripasso della regressione supervisionata, applicherai XGBoost al compito di regressione per prevedere i prezzi delle case ad Ames, Iowa. Imparerai i due tipi di base learner che XGBoost può usare come weak learner e ripasserai come valutare la qualità dei tuoi modelli di regressione.
3
Ottimizzare il tuo modello XGBoost
Questo capitolo ti insegnerà come rendere i tuoi modelli XGBoost il più performanti possibile. Conoscerai la varietà di parametri che possono essere regolati per modificare il comportamento di XGBoost e come ottimizzarli in modo efficiente per dare una marcia in più alle prestazioni dei tuoi modelli.
4
Usare XGBoost nelle pipeline
Porta le tue competenze su XGBoost al livello successivo integrando i modelli in due pipeline di Machine Learning end-to-end. Imparerai a ottimizzare in modo efficiente gli iperparametri più importanti di XGBoost all’interno di una pipeline e avrai un’introduzione ad alcune tecniche di preprocessing più avanzate.
Extreme Gradient Boosting con XGBoost
Corso
completato
