After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Znasz podstawy uczenia nadzorowanego i chcesz korzystać z najnowocześniejszych modeli na rzeczywistych zbiorach danych? Gradient boosting to obecnie jedna z najpopularniejszych technik efektywnego modelowania danych tabelarycznych – niezależnie od ich rozmiaru. XGBoost to bardzo szybka i skalowalna implementacja gradient boostingu. Modele oparte na XGBoost regularnie wygrywają internetowe konkursy z dziedziny data science i są stosowane na dużą skalę w różnych branżach. W tym kursie nauczysz się, jak używać tej potężnej biblioteki razem z pandas i scikit-learn do budowania i dostrajania modeli uczenia nadzorowanego. Będziesz pracować z rzeczywistymi zbiorami danych, rozwiązując problemy klasyfikacji i regresji.
Wymagania wstępne
Program kursu
Plan kursu
1
Klasyfikacja z XGBoost
Ten rozdział wprowadzi cię w podstawową ideę stojącą za XGBoost – wzmacnianie słabych uczących się. Gdy zrozumiesz, jak działa XGBoost, zastosujesz go do rozwiązania typowego problemu klasyfikacji spotykanego w branży: przewidywania, czy klient przestanie korzystać z usług firmy w przyszłości.
- Witaj na kursie!50 XP
- Który z tych problemów to problem klasyfikacji?50 XP
- Który z tych problemów to problem klasyfikacji binarnej?50 XP
- Wprowadzenie do XGBoost50 XP
- XGBoost: dopasowanie i predykcja100 XP
- Czym jest drzewo decyzyjne?50 XP
- Drzewa decyzyjne100 XP
- Czym jest Boosting?50 XP
- Pomiar dokładności100 XP
- Pomiar AUC100 XP
- Kiedy warto używać XGBoost?50 XP
- Zastosowanie XGBoost50 XP
2
Regresja z XGBoost
Po krótkim przypomnieniu regresji nadzorowanej zastosujesz XGBoost do zadania regresji polegającego na przewidywaniu cen domów w Ames w stanie Iowa. Poznasz dwa rodzaje bazowych uczących się, których XGBoost może używać jako słabych modeli, i nauczysz się oceniać jakość modeli regresji.
3
Dostrajanie modelu XGBoost
Ten rozdział pokaże ci, jak uzyskać jak najlepszą wydajność modeli XGBoost. Poznasz różnorodne parametry, które można dostosować, aby zmienić zachowanie XGBoost, oraz nauczysz się je efektywnie dobierać, by zmaksymalizować wydajność swoich modeli.
4
Używanie XGBoost w potokach
Przenieś swoje umiejętności w zakresie XGBoost na wyższy poziom, włączając modele do dwóch kompletnych potoków uczenia maszynowego. Nauczysz się efektywnie dostrajać najważniejsze hiperparametry XGBoost w ramach potoku, a także zapoznasz się z bardziej zaawansowanymi technikami wstępnego przetwarzania danych.
Extreme Gradient Boosting with XGBoost
Kurs
ukończony
