Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Você já conhece o básico de aprendizagem supervisionada e quer usar modelos de ponta em conjuntos de dados do mundo real? O gradient boosting é atualmente uma das técnicas mais populares para modelagem eficiente de conjuntos de dados tabulares de todos os tamanhos. O XGBoost é uma implementação muito rápida e escalável de gradient boosting, com modelos que usam XGBoost vencendo regularmente competições online de ciência de dados e sendo aplicados em escala em diferentes setores. Neste curso, você vai aprender a usar essa poderosa biblioteca junto com pandas e scikit-learn para construir e ajustar modelos de aprendizagem supervisionada. Você trabalhará com conjuntos de dados reais para resolver problemas de classificação e regressão.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Classificação com XGBoost
Este capítulo apresenta a ideia fundamental por trás do XGBoost — os learners incrementais (boosted learners). Depois de entender como o XGBoost funciona, você vai aplicá-lo para resolver um problema comum de classificação encontrado na indústria: prever se um cliente deixará de ser cliente em algum momento no futuro.
- Bem-vindo ao curso!50 XP
- Qual desses é um problema de classificação?50 XP
- Qual destas é um problema de classificação binária?50 XP
- Apresentando o XGBoost50 XP
- XGBoost: Ajuste/Predição100 XP
- O que é uma árvore de decisão?50 XP
- Árvores de decisão100 XP
- O que é Boosting?50 XP
- Medindo a acurácia100 XP
- Medindo a AUC100 XP
- Quando devo usar XGBoost?50 XP
- Usando XGBoost50 XP
2
Regressão com XGBoost
Após uma breve revisão de regressão supervisionada, você aplicará o XGBoost à tarefa de regressão de prever preços de casas em Ames, Iowa. Você vai aprender sobre os dois tipos de learners base que o XGBoost pode usar como weak learners e rever como avaliar a qualidade dos seus modelos de regressão.
3
Aprimorando seu modelo XGBoost
Este capítulo vai mostrar como tornar seus modelos XGBoost o mais performáticos possível. Você aprenderá sobre a variedade de parâmetros que podem ser ajustados para alterar o comportamento do XGBoost e como afiná-los de forma eficiente para turbinar o desempenho dos seus modelos.
4
Usando XGBoost em pipelines
Leve suas habilidades com XGBoost para o próximo nível incorporando seus modelos em dois pipelines de Machine Learning de ponta a ponta. Você aprenderá a ajustar com eficiência os hiperparâmetros mais importantes do XGBoost dentro de um pipeline e terá uma introdução a algumas técnicas de pré-processamento mais avançadas.
Extreme Gradient Boosting com XGBoost
Curso
concluído
