Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Boomgebaseerde Machine Learning-modellen kunnen complexe niet-lineaire relaties in data zichtbaar maken en domineren vaak Machine Learning-wedstrijden. In deze cursus gebruik je het tidymodels-pakket om verschillende boomgebaseerde modellen te verkennen en te bouwen—van eenvoudige beslissingsbomen tot complexe random forests. Je leert ook boosted trees gebruiken, een krachtige Machine Learning-techniek die ensemble learning inzet om sterk presterende voorspellende modellen te bouwen. Onderweg werk je met gezondheids- en kredietrisicodata om het optreden van diabetes en klantverloop te voorspellen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Classificatiebomen
Klaar om een echte Machine Learning-pijplijn te bouwen? Voltooi stapsgewijze oefeningen om beslissingsbomen te maken, je data te splitsen en te voorspellen welke patiënten het grootste risico op diabetes lopen. Tot slot bouw je prestatiematen om je modellen te beoordelen en je voorspellingen te evalueren.
- Welkom bij de cursus!50 XP
- Waarom methoden op basis van bomen?100 XP
- Specificeer die tree100 XP
- Train dat model100 XP
- Zo laat je je boom groeien50 XP
- Train/test-split100 XP
- Class-imbalance voorkomen100 XP
- Van nul tot held100 XP
- Voorspellen en evalueren50 XP
- Voorspellingen maken100 XP
- Kraak de matrix100 XP
- Voorspel je het goed?100 XP
2
Regressiebomen en cross-validatie
Zin in wat lekkers? Gebruik een dataset met chocoladewaarderingen om regressiebomen te bouwen en hun prestaties te beoordelen met passende foutmaten. Je overwint de statistische onzekerheid van enkele train/test-splitsingen met zoete technieken zoals cross-validatie en gaat nog dieper door de bias-variance trade-off te beheersen.
3
Hyperparameters en ensemblemodellen
Tijd om serieus aan de slag te gaan met het afstellen van je hyperparameters en het interpreteren van receiver operating characteristic (ROC)-curves. In dit hoofdstuk benut je de wijsheid van de massa met ensemblemodellen zoals bagging of random forests en bouw je ensembles die voorspellen welke creditcardklanten het meest waarschijnlijk zullen afhaken.
4
Boosted trees
Klaar voor de eredivisie van boomgebaseerde modellen? Pas gradient boosting toe om krachtige ensembles te maken die beter presteren dan alles wat je tot nu toe hebt gezien of gebouwd. Leer hoe je ze fijn-afstemt en verschillende modellen vergelijkt om een winnaar voor productie te kiezen.
R
Machine Learning met boomgebaseerde modellen in R
Cursus
voltooid
