After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
コース説明
決定木は、分類と回帰の問題に用いられる教師あり学習モデルです。木のモデルは柔軟性が高い一方で、その代償もあります。複雑な非線形関係を捉えられる反面、データセット内のノイズまで記憶してしまいやすいのです。異なる学習条件で訓練した複数の木の予測を集約するアンサンブル法は、木の柔軟性を活かしつつ、ノイズを記憶しがちな傾向を抑えます。アンサンブル法はさまざまな分野で使われ、Machine Learningのコンペでも数多くの実績があります。
このコースでは、使いやすいscikit-learnライブラリを用いて、Pythonで決定木や木ベースのモデルを学習する方法を身につけます。木の長所と短所を理解し、アンサンブルで短所をどのように補えるかを、実データを使いながら実践します。最後に、モデルの性能を引き出すために、影響の大きいハイパーパラメータのチューニング方法も学びます。
前提条件
カリキュラム
コース概要
1
分類木と回帰木
Classification and Regression Trees (CART) は、分類と回帰の問題に用いられる教師あり学習モデルの総称です。この章では、CARTアルゴリズムの概要を紹介します。
2
バイアス–バリアンストレードオフ
バイアス–バリアンストレードオフは、教師ありMachine Learningにおける基本概念の一つです。この章では、過学習と未学習（アンダーフィッティング）をどのように診断するかを学びます。さらに、複数モデルの予測を集約してより堅牢な予測を得るアンサンブルという考え方も紹介します。
3
バギングとランダムフォレスト
バギングは、訓練データからサンプリングした異なるサブセットで同じアルゴリズムを何度も学習させるアンサンブル手法です。この章では、バギングを使って木のアンサンブルを構築する方法を理解します。さらに、各分割でのランダム化によりアンサンブルの多様性を高めるランダムフォレストアルゴリズムについても学びます。
4
ブースティング
ブースティングは、複数のモデルを逐次的に学習させ、各モデルが直前のモデルの誤りから学ぶアンサンブル手法を指します。この章では、AdaBoostとGradient Boostingという2つのブースティング手法を紹介します。
5
モデルのチューニング
Machine Learningモデルのハイパーパラメータは、データからは学習されないパラメータで、訓練前に設定する必要があります。この章では、グリッドサーチと交差検証を用いて、木ベースのモデルのハイパーパラメータをチューニングする方法を学びます。
Pythonで学ぶ木ベースのMachine Learning
コース修了
