After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Gli alberi di decisione sono modelli di apprendimento supervisionato usati per problemi di classificazione e regressione. I modelli ad alberi offrono grande flessibilità, che però ha un prezzo: da un lato sanno catturare relazioni complesse e non lineari; dall’altro tendono a memorizzare il rumore presente in un insieme di dati. Aggregando le predizioni di alberi addestrati in modo diverso, i metodi ensemble sfruttano la flessibilità degli alberi riducendo al contempo la loro tendenza a memorizzare il rumore. I metodi ensemble sono usati in molti ambiti e hanno dimostrato di vincere numerose competizioni di Machine Learning.
In questo corso imparerai a usare Python per addestrare alberi di decisione e modelli basati su alberi con la libreria di Machine Learning scikit-learn, semplice e intuitiva. Capirai i punti di forza e i limiti degli alberi e vedrai come l’ensembling può ridurre tali limiti, esercitandoti su insiemi di dati reali. Infine, imparerai anche a ottimizzare gli iperparametri più influenti per ottenere il massimo dai tuoi modelli.
Prerequisiti
Curriculum
Programma del corso
1
Alberi di classificazione e regressione
Gli Alberi di Classificazione e Regressione (CART) sono una famiglia di modelli di apprendimento supervisionato usati per problemi di classificazione e regressione. In questo capitolo verrà introdotto l’algoritmo CART.
- Albero decisionale per la classificazione50 XP
- Allena il tuo primo albero di classificazione100 XP
- Valuta l'albero di classificazione100 XP
- Regressione logistica vs albero di classificazione100 XP
- Apprendimento dell'albero di classificazione50 XP
- Far crescere un albero di classificazione50 XP
- Usare l'entropia come criterio100 XP
- Entropia vs indice di Gini100 XP
- Albero decisionale per la regressione50 XP
- Allena il tuo primo albero di regressione100 XP
- Valuta l’albero di regressione100 XP
- Regressione lineare vs albero di regressione100 XP
2
Il compromesso bias-varianza
Il compromesso bias-varianza è uno dei concetti fondamentali nel Machine Learning supervisionato. In questo capitolo capirai come diagnosticare i problemi di overfitting e underfitting. Sarai inoltre introdotto al concetto di ensembling, in cui le predizioni di più modelli vengono aggregate per ottenere risultati più robusti.
3
Bagging e Random Forest
Il bagging è un metodo ensemble che prevede l’addestramento ripetuto dello stesso algoritmo su diversi sottoinsiemi campionati dai dati di training. In questo capitolo capirai come usare il bagging per creare un ensemble di alberi. Imparerai anche come l’algoritmo delle Random Forest può aumentare ulteriormente la diversità dell’ensemble introducendo randomizzazione a livello di ogni split negli alberi che lo compongono.
4
Boosting
Per boosting si intende un metodo ensemble in cui più modelli vengono addestrati in sequenza e ciascun modello impara dagli errori dei precedenti. In questo capitolo verranno presentati i due metodi di boosting AdaBoost e Gradient Boosting.
5
Ottimizzazione del modello
Gli iperparametri di un modello di Machine Learning sono parametri che non vengono appresi dai dati. Devono essere impostati prima di adattare il modello al training set. In questo capitolo imparerai a ottimizzare gli iperparametri di un modello basato su alberi usando la cross validation con grid search.
Machine Learning con modelli ad alberi in Python
Corso
completato
