Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Decision trees zijn supervised learning-modellen die worden gebruikt voor classificatie- en regressieproblemen. Boombasede modellen bieden veel flexibiliteit, maar dat heeft een keerzijde: aan de ene kant kunnen bomen complexe niet-lineaire relaties vastleggen; aan de andere kant zijn ze gevoelig voor het onthouden van ruis in een gegevensset. Door de voorspellingen te combineren van bomen die op verschillende manieren zijn getraind, benutten ensemblemethoden de flexibiliteit van bomen terwijl ze de neiging om ruis te onthouden verkleinen. Ensemblemethoden worden in veel vakgebieden gebruikt en hebben een bewezen staat van dienst in het winnen van veel Machine Learning-wedstrijden.
In deze cursus leer je hoe je Python gebruikt om decision trees en boomgebaseerde modellen te trainen met de gebruiksvriendelijke scikit-learn Machine Learning-bibliotheek. Je leert de sterke punten en beperkingen van bomen kennen en ziet hoe ensembling deze beperkingen kan verminderen, terwijl je oefent met realistische gegevenssets. Tot slot leer je ook hoe je de meest invloedrijke hyperparameters afstemt om het maximale uit je modellen te halen.
Vereisten
Lesprogramma
Cursusoverzicht
1
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.
- Beslissingsboom voor classificatie50 XP
- Train je eerste classificatieboom100 XP
- Evalueer de classificatieboom100 XP
- Logistische regressie vs. classificatieboom100 XP
- Classification tree leren50 XP
- Een classificatieboom laten groeien50 XP
- Entropie als criterium gebruiken100 XP
- Entropie vs. Gini-index100 XP
- Beslissingsboom voor regressie50 XP
- Train je eerste regressieboom100 XP
- Evalueer de regressieboom100 XP
- Lineaire regressie vs regressieboom100 XP
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
