Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
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
Program nauczania
Plan kursu
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 ensemble50 XP
- Eksploracja danych o aplikacjach Google50 XP
- Przewidywanie oceny aplikacji100 XP
- Głosowanie50 XP
- Wybór najlepszego modelu100 XP
- Twój pierwszy zespół modeli100 XP
- Ocena twojego zespołu modeli100 XP
- Uśrednianie50 XP
- Podróż do Westeros50 XP
- Przewidywanie śmierci w GoT100 XP
- Głosowanie twarde vs. miękkie100 XP
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.
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.
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.
Metody zespołowe w Pythonie
Kurs
ukończony
