After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Drzewa decyzyjne to nadzorowane modele uczenia maszynowego stosowane w zadaniach klasyfikacji i regresji. Modele drzewiaste charakteryzują się dużą elastycznością, która ma jednak swoją cenę: z jednej strony potrafią uchwycić złożone zależności nieliniowe, z drugiej – są podatne na zapamiętywanie szumu obecnego w zbiorze danych. Metody zespołowe agregują przewidywania wielu drzew trenowanych na różne sposoby, dzięki czemu wykorzystują elastyczność drzew, jednocześnie ograniczając ich skłonność do zapamiętywania szumu. Metody zespołowe są stosowane w wielu dziedzinach i mają udokumentowaną historię sukcesów w licznych konkursach uczenia maszynowego.
W tym kursie nauczysz się używać Pythona do trenowania drzew decyzyjnych i modeli drzewiastych przy użyciu przyjaznej biblioteki scikit-learn. Zrozumiesz zalety i ograniczenia drzew oraz zobaczysz, jak metody zespołowe pozwalają te ograniczenia przezwyciężyć – wszystko to na podstawie rzeczywistych zbiorów danych. Na koniec dowiesz się również, jak dostrajać najważniejsze hiperparametry, aby w pełni wykorzystać możliwości swoich modeli.
Wymagania wstępne
Program kursu
Plan kursu
1
Drzewa klasyfikacyjne i regresyjne
Drzewa klasyfikacyjne i regresyjne (CART) to zbiór nadzorowanych modeli uczenia maszynowego stosowanych w zadaniach klasyfikacji i regresji. W tym rozdziale poznasz algorytm CART.
- Drzewo decyzyjne do klasyfikacji50 XP
- Wytrenuj swoje pierwsze drzewo klasyfikacyjne100 XP
- Oceń drzewo klasyfikacji100 XP
- Regresja logistyczna a drzewo klasyfikacyjne100 XP
- Uczenie drzewa klasyfikacyjnego50 XP
- Rozwijanie drzewa klasyfikacyjnego50 XP
- Entropia jako kryterium podziału100 XP
- Entropia a indeks Giniego100 XP
- Drzewo decyzyjne do regresji50 XP
- Trenowanie pierwszego drzewa regresji100 XP
- Ocena drzewa regresji100 XP
- Regresja liniowa a drzewo regresji100 XP
2
Kompromis między obciążeniem a wariancją
Kompromis między obciążeniem a wariancją to jedno z podstawowych pojęć w nadzorowanym uczeniu maszynowym. W tym rozdziale nauczysz się diagnozować problemy przeuczenia i niedouczenia. Poznasz też koncepcję metod zespołowych, w których przewidywania kilku modeli są agregowane w celu uzyskania bardziej trafnych wyników.
3
Bagging i lasy losowe
Bagging to metoda zespołowa polegająca na wielokrotnym trenowaniu tego samego algorytmu na różnych podzbiorach próbkowanych ze zbioru treningowego. W tym rozdziale zrozumiesz, jak bagging może służyć do tworzenia zespołów drzew. Dowiesz się też, jak algorytm lasów losowych zwiększa różnorodność zespołu dzięki losowości wprowadzanej na poziomie każdego podziału w drzewach tworzących ten zespół.
4
Boosting
Boosting to metoda zespołowa, w której kolejne modele są trenowane sekwencyjnie – każdy uczy się na błędach poprzednika. W tym rozdziale poznasz dwie metody boostingu: AdaBoost i Gradient Boosting.
5
Dostrajanie modelu
Hiperparametry modelu uczenia maszynowego to parametry, których model nie uczy się z danych – należy je ustawić przed dopasowaniem modelu do zbioru treningowego. W tym rozdziale nauczysz się dostrajać hiperparametry modelu drzewiastego przy użyciu kroswalidacji z przeszukiwaniem siatki.
Uczenie maszynowe z modelami drzewiastymi w Pythonie
Kurs
ukończony
