Cursus
Machine Learning met boomgebaseerde modellen in Python
GemiddeldVaardigheidsniveau
Bijgewerkt 12-2025
PythonMachine Learning5 u15 videos57 Opdrachten4,650 XP110K+Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Vereisten
Supervised Learning with scikit-learn1
Classificatie- en regressiebomen
Classification and Regression Trees (CART) zijn een set supervised learning-modellen voor classificatie- en regressieproblemen. In dit hoofdstuk maak je kennis met het CART-algoritme.
2
De bias-variance-afruil
De bias-variance-afruil is een van de basisconcepten in supervised Machine Learning. In dit hoofdstuk leer je hoe je de problemen van overfitting en underfitting herkent. Je maakt ook kennis met het concept ensembling, waarbij de voorspellingen van meerdere modellen worden samengevoegd om robuustere voorspellingen te krijgen.
3
Bagging en random forests
Bagging is een ensemblemethode waarbij hetzelfde algoritme meerdere keren wordt getraind op verschillende subsets die uit de trainingsgegevens zijn getrokken. In dit hoofdstuk leer je hoe je met bagging een boomensemble kunt maken. Je leert ook hoe het random forests-algoritme voor extra ensemblediversiteit kan zorgen door randomisatie bij elke split in de bomen waaruit het ensemble bestaat.
4
Boosting
Boosting is een ensemblemethode waarbij meerdere modellen sequentieel worden getraind, waarbij elk model leert van de fouten van zijn voorgangers. In dit hoofdstuk maak je kennis met de twee boostingmethoden AdaBoost en Gradient Boosting.
5
Modelafstemming
De hyperparameters van een Machine Learning-model zijn parameters die niet uit data worden geleerd. Ze moeten worden ingesteld voordat je het model op de trainingsset fit. In dit hoofdstuk leer je hoe je de hyperparameters van een boomgebaseerd model afstemt met grid search cross-validation.
Machine Learning met boomgebaseerde modellen in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Machine Learning met boomgebaseerde modellen in Python!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.