これらのコースを受講したことで、プロフェッショナルなビジュアライゼーションやダッシュボードを自信を持って作成できるようになりました
Shoebur Rahman調達スペシャリスト、Giz Bangladesh
コースの説明
Machine Learning の学習を続けて、アンサンブル学習の世界に踏み込みましょう！アンサンブルは、複数の個別アルゴリズムを組み合わせて性能を高め、さまざまな業界で大規模な課題を解決する強力な手法です。オンラインの Machine Learning コンペでも常に上位に入賞しています。
このコースでは、bagging、boosting、stacking などの高度なアンサンブル手法を学びます。scikit-learn、XGBoost、CatBoost、mlxtend といった最先端の Python ライブラリを使って、実データに適用していきます。
前提条件
カリキュラム
コース概要
1
複数モデルを組み合わせる
作成したモデルの中で、どれが問題に最適か迷っていませんか？それなら一つに絞るのはやめて、全部使ってみましょう！この章では、「Voting」と「Averaging」を使って複数のモデルを一つにまとめる方法を学びます。Google Play ストアのアプリ評価の予測、ポケモンが伝説かどうかの判定、Game of Thrones の登場人物の生死予測に挑戦します。
2
Bagging
Bagging は、ランダムフォレストのような強力な Machine Learning アルゴリズムを支えるアンサンブル手法です。この章では、その理論を学び、scikit-learn を使って独自の bagging モデルを構築します。
3
Boosting
Boosting は、AdaBoost のような受賞歴のあるモデルを含むアンサンブル学習の一群です。この章では、その代表であるモデルを学び、受賞歴のある映画の興行収入を予測します。さらに、CatBoost や XGBoost といった勾配ブースティング系アルゴリズムについても学びます。
4
Stacking
いよいよ積み上げの真価を確かめましょう！この最終章では、スタッキングというアンサンブル手法を学びます。scikit-learn に加えて mlxtend ライブラリを使った実装方法も扱います。北米産キノコの食用可否を予測し、Google アプリの評価をより高度なアプローチで再訪します。
Pythonで学ぶアンサンブル手法
コース修了
