Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Zet je Machine Learning-reis voort en duik in de fascinerende wereld van ensemblemethoden! Dit is een krachtige klasse van Machine Learning-technieken die meerdere afzonderlijke algoritmen combineren om de prestaties te verbeteren en grootschalige, complexe problemen in verschillende sectoren op te lossen. Ensembletechnieken winnen ook regelmatig online Machine Learning-wedstrijden!
In deze cursus leer je alles over deze geavanceerde ensembletechnieken, zoals bagging, boosting en stacking. Je past ze toe op real-world gegevenssets met behulp van toonaangevende Python Machine Learning-bibliotheken zoals scikit-learn, XGBoost, CatBoost en mlxtend.
Vereisten
Lesprogramma
Cursusoverzicht
1
Meerdere modellen combineren
Vind je het lastig om te bepalen welk van de modellen die je hebt gebouwd het beste is voor jouw probleem? Laat dat los en gebruik ze gewoon allemaal! In dit hoofdstuk leer je hoe je meerdere modellen kunt combineren tot één geheel met "Voting" en "Averaging". Je gebruikt deze om de beoordelingen van apps in de Google Play Store te voorspellen, of een Pokémon legendarisch is, en welke personages zullen sterven in Game of Thrones!
- Introductie tot ensemblemethoden50 XP
- Google-appgegevens verkennen50 XP
- De beoordeling van een app voorspellen100 XP
- Voting50 XP
- Het beste model kiezen100 XP
- Je eerste ensemble samenstellen100 XP
- Je ensemble evalueren100 XP
- Gemiddelden50 XP
- Reis naar Westeros50 XP
- Voorspellen wie er sterft in GoT100 XP
- Soft vs. hard voting100 XP
2
Bagging
Bagging is de ensemblemethode achter krachtige Machine Learning-algoritmen zoals random forests. In dit hoofdstuk leer je de theorie achter deze techniek en bouw je je eigen bagging-modellen met scikit-learn.
3
Boosting
Boosting is een klasse van ensemble learning-algoritmen waar prijswinnende modellen zoals AdaBoost onder vallen. In dit hoofdstuk leer je over dit bekroonde model en gebruik je het om de opbrengst van prijswinnende films te voorspellen! Je leert ook over gradient boosting-algoritmen zoals CatBoost en XGBoost.
4
Stacking
Maak je klaar om te zien hoe alles zich opstapelt! In dit laatste hoofdstuk leer je over de stacking-ensemblemethode. Je leert hoe je deze implementeert met scikit-learn én met de mlxtend-bibliotheek! Je past stacking toe om de eetbaarheid van Noord-Amerikaanse paddenstoelen te voorspellen en kijkt opnieuw naar de beoordelingen van Google-apps met deze geavanceerdere aanpak.
Ensemblemethoden in Python
Cursus
voltooid
