Przejdź do głównej treści
Strona głównaPython

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
12,852
Zaświadczenie o ukończeniu

Utwórz bezpłatne konto

Kontynuuj z GooglePokaż więcej opcji

lub

Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.

Uwielbiany przez kursantów z tysięcy firm

Group

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 PythonMachine Learning with Tree-Based Models in Python
1

Combining Multiple Models

Do you struggle to determine which of the models you built is the best for your problem? You should give up on that, and use them all instead! In this chapter, you'll learn how to combine multiple models into one using "Voting" and "Averaging". You'll use these to predict the ratings of apps on the Google Play Store, whether or not a Pokémon is legendary, and which characters are going to die in Game of Thrones!
Zacznij rozdział
2

Bagging

Bagging is the ensemble method behind powerful machine learning algorithms such as random forests. In this chapter you'll learn the theory behind this technique and build your own bagging models using scikit-learn.
Zacznij rozdział
3

Boosting

Boosting is class of ensemble learning algorithms that includes award-winning models such as AdaBoost. In this chapter, you'll learn about this award-winning model, and use it to predict the revenue of award-winning movies! You'll also learn about gradient boosting algorithms such as CatBoost and XGBoost.
Zacznij rozdział
4

Stacking

Get ready to see how things stack up! In this final chapter you'll learn about the stacking ensemble method. You'll learn how to implement it using scikit-learn as well as with the mlxtend library! You'll apply stacking to predict the edibility of North American mushrooms, and revisit the ratings of Google apps with this more advanced approach.
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!

Utwórz bezpłatne konto

Kontynuuj z GooglePokaż więcej opcji

lub

Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.

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.