Przejdź do głównej treści

Strona główna Python

Kurs

Metody zespołowe w Pythonie

ZaawansowanyPoziom umiejętności

Zaktualizowano 10.2025

Poznaj tworzenie zaawansowanych i skutecznych modeli machine learning w Pythonie z użyciem technik ensemble, takich jak bagging, boosting i stacking.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

15 filmów

52 Ćwiczenia

4,050 XP

12,923

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Kontynuuj swoją przygodę z uczeniem maszynowym i zanurz się w fascynujący świat metod zespołowych! To wyjątkowa klasa technik uczenia maszynowego, które łączą wiele pojedynczych algorytmów, aby zwiększyć wydajność i rozwiązywać złożone problemy na dużą skalę w różnych branżach. Techniki zespołowe regularnie wygrywają internetowe konkursy z uczenia maszynowego! W tym kursie poznasz zaawansowane techniki zespołowe, takie jak bagging, boosting i stacking. Zastosujesz je do rzeczywistych zbiorów danych, korzystając z nowoczesnych bibliotek Pythona do uczenia maszynowego, takich jak scikit-learn, XGBoost, CatBoost i mlxtend.

Wymagania wstępne

Linear Classifiers in Python Machine Learning with Tree-Based Models in Python

1

Łączenie wielu modeli

Masz trudności z wyborem najlepszego modelu spośród tych, które zbudowałeś? Zamiast wybierać – użyj ich wszystkich! W tym rozdziale nauczysz się, jak łączyć wiele modeli w jeden za pomocą technik „głosowania" i „uśredniania". Zastosujesz je do przewidywania ocen aplikacji w sklepie Google Play, określania, czy dany Pokémon jest legendarny, oraz do wskazywania, które postacie zginą w Grze o Tron!

Wprowadzenie do metod ensemble

Eksploracja danych o aplikacjach Google

Przewidywanie oceny aplikacji

Głosowanie

Wybór najlepszego modelu

Twój pierwszy zespół modeli

Ocena twojego zespołu modeli

Uśrednianie

Podróż do Westeros

Przewidywanie śmierci w GoT

Głosowanie twarde vs. miękkie

Zacznij rozdział

2

Bagging

Bagging to metoda zespołowa leżąca u podstaw takich algorytmów jak lasy losowe. W tym rozdziale poznasz teorię stojącą za tą techniką i zbudujesz własne modele baggingowe z użyciem scikit-learn.

Siła „słabych" modeli

Drzewa decyzyjne z ograniczeniami i bez ograniczeń

„Słabe" drzewo decyzyjne

Agregacja bootstrapowa

Trenowanie z bootstrappingiem

Pierwsze podejście do baggingu

BaggingClassifier: szczegóły działania

Bagging w scikit-learn

Sprawdzanie wyniku out-of-bag

Parametry baggingu: porady i wskazówki

Eksploracja zbioru danych UCI SECOM

Bardziej złożony model baggingu

Dostrajanie hiperparametrów baggingu

Zacznij rozdział

3

Boosting

Boosting to klasa algorytmów zespołowych, do której należą nagrodzone modele, takie jak AdaBoost. W tym rozdziale poznasz ten model i użyjesz go do przewidywania przychodów nagradzanych filmów! Poznasz również algorytmy gradient boostingu, takie jak CatBoost i XGBoost.

Skuteczność stopniowego uczenia

Poznajemy bazę danych filmów

Eksploracja cech filmów

Przewidywanie przychodów filmów

Boosting dla prognozowanych przychodów

Adaptive boosting: nagradzany model

Twój pierwszy model AdaBoost

Regresja AdaBoost oparta na drzewach

Wyciśnij z AdaBoost maksimum

Gradient boosting

Powrót do recenzji aplikacji Google

Analiza sentymentu z GBM

Odmiany gradient boostingu

Prognozowanie przychodów filmów z CatBoost

Pojedynek boosterów: Light kontra Extreme

Zacznij rozdział

4

Stacking

Czas zobaczyć, jak działa stacking! W tym ostatnim rozdziale poznasz metodę zespołową zwaną stackingiem. Nauczysz się ją implementować zarówno za pomocą scikit-learn, jak i biblioteki mlxtend. Zastosujesz stacking do przewidywania jadalności północnoamerykańskich grzybów i powrócisz do ocen aplikacji Google, tym razem korzystając z bardziej zaawansowanego podejścia.

Intuicja stojąca za stackingiem

Eksploracja zbioru danych o grzybach

Przewidywanie jadalności grzybów

K najbliższych sąsiadów dla grzybów

Zbuduj swój pierwszy zespół stackingowy

Stosowanie stackingu do przewidywania ocen aplikacji

Budowanie klasyfikatora stackingowego

Predykcje stackingowe dla ocen aplikacji

Czas na mlxtend!

Pierwsze kroki z mlxtend

Powrót do regresji ze stackingiem

Grzyby: kwestia życia i śmierci

Łączymy wszystko w ensemble

Zacznij rozdział

Metody zespołowe w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Metody zespołowe w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.