After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Modele uczenia maszynowego oparte na drzewach potrafią ujawniać złożone, nieliniowe zależności w danych i często dominują w konkursach z dziedziny uczenia maszynowego. W tym kursie użyjesz pakietu tidymodels, aby poznawać i budować różne modele drzewiaste – od prostych drzew decyzyjnych po złożone lasy losowe. Nauczysz się też korzystać z wzmacnianych drzew – potężnej techniki uczenia maszynowego opartej na uczeniu zespołowym, służącej do budowania wysokowydajnych modeli predykcyjnych. Po drodze będziesz pracować z danymi zdrowotnymi i danymi o ryzyku kredytowym, aby przewidywać występowanie cukrzycy oraz rezygnację klientów.
Wymagania wstępne
Program kursu
Plan kursu
1
Drzewa klasyfikacyjne
Gotowy na budowę prawdziwego pipeline'u uczenia maszynowego? Wykonaj ćwiczenia krok po kroku, aby nauczyć się tworzyć drzewa decyzyjne, dzielić dane i przewidywać, u których pacjentów najczęściej występuje cukrzyca. Na koniec zbudujesz miary wydajności, które pozwolą ci ocenić modele i zweryfikować prognozy.
- Witaj na kursie!50 XP
- Dlaczego metody drzewiaste?100 XP
- Zdefiniuj drzewo100 XP
- Wytrenuj model100 XP
- Jak zbudować swoje drzewo50 XP
- Podział na zbiór treningowy i testowy100 XP
- Unikanie nierównowagi klas100 XP
- Od zera do bohatera100 XP
- Przewidywanie i ocena modelu50 XP
- Tworzenie prognoz100 XP
- Rozszyfruj macierz100 XP
- Czy twoje przewidywania są poprawne?100 XP
2
Drzewa regresyjne i kroswalidacja
Gotowy na słodką dawkę wiedzy? Wykorzystaj zbiór danych z ocenami czekolady do budowania drzew regresyjnych i oceniaj ich działanie za pomocą odpowiednich miar błędu. Przezwyciężysz statystyczne ograniczenia pojedynczego podziału na zbiór treningowy i testowy, stosując techniki takie jak kroswalidacja, a następnie zagłębisz się jeszcze bardziej, opanowując kompromis między obciążeniem a wariancją.
3
Hiperparametry i modele zespołowe
Czas poważnie zabrać się za strojenie hiperparametrów i interpretację krzywych charakterystyki odbiornika (ROC). W tym rozdziale wykorzystasz siłę zbiorowej mądrości, stosując modele zespołowe – takie jak bagging czy lasy losowe – i zbudujesz zespoły prognozujące, którzy klienci kart kredytowych są najbardziej skłonni do rezygnacji.
4
Wzmacniane drzewa
Gotowy na szczyt możliwości modeli drzewiastych? Zastosuj gradient boosting, aby tworzyć potężne zespoły przewyższające wszystko, co do tej pory widziałeś i budowałeś. Dowiesz się, jak je dostrajać i jak porównywać różne modele, by wybrać najlepszy do wdrożenia produkcyjnego.
R
Uczenie maszynowe z modelami drzewiastymi w R
Kurs
ukończony
