After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Continuă-ți parcursul în machine learning explorând fascinanta lume a metodelor de învățare prin ansamblu! Acestea reprezintă o clasă captivantă de tehnici de machine learning care combină mai mulți algoritmi individuali pentru a îmbunătăți performanța și a rezolva probleme complexe la scară largă, în diverse industrii. Tehnicile de ansamblu câștigă în mod regulat competiții online de machine learning!
În acest curs, vei învăța tot despre aceste tehnici avansate de ansamblu: bagging, boosting și stacking. Le vei aplica pe seturi de date reale folosind biblioteci de machine learning de ultimă generație, precum scikit-learn, XGBoost, CatBoost și mlxtend.
Cerințe prealabile
Curriculum
Structura cursului
1
Combinarea mai multor modele
Îți este greu să alegi cel mai bun model pentru problema ta? Renunță la această dilemă și folosește-le pe toate! În acest capitol, vei învăța cum să combini mai multe modele într-unul singur prin tehnicile „Voting" și „Averaging". Le vei folosi pentru a prezice ratingurile aplicațiilor din Google Play Store, pentru a determina dacă un Pokémon este legendar și pentru a identifica ce personaje vor muri în Game of Thrones!
- Introducere în metodele de ansamblu50 XP
- Explorarea datelor despre aplicații Google50 XP
- Prezicerea ratingului unei aplicații100 XP
- Voting50 XP
- Alegerea celui mai bun model100 XP
- Construiește primul tău ansamblu100 XP
- Evaluarea ansamblului tău100 XP
- Mediere50 XP
- Călătorie în Westeros50 XP
- Prezicerea morților din GoT100 XP
- Vot soft vs. vot hard100 XP
2
Bagging
Bagging este metoda de ansamblu care stă la baza unor algoritmi puternici de machine learning, precum pădurile aleatorii. În acest capitol, vei învăța teoria din spatele acestei tehnici și vei construi propriile modele de bagging folosind scikit-learn.
3
Boosting
Boosting este o clasă de algoritmi de învățare prin ansamblu care include modele de top, precum AdaBoost. În acest capitol, vei explora acest model premiat și îl vei folosi pentru a prezice veniturile unor filme de succes! Vei învăța, de asemenea, despre algoritmi de gradient boosting, precum CatBoost și XGBoost.
4
Stacking
Pregătește-te să descoperi cum funcționează stacking-ul! În acest capitol final, vei învăța despre metoda de ansamblu prin stacking. Vei vedea cum să o implementezi atât cu scikit-learn, cât și cu biblioteca mlxtend! Vei aplica stacking-ul pentru a prezice comestibilitatea ciupercilor din America de Nord și vei reveni la ratingurile aplicațiilor Google cu această abordare mai avansată.
Metode de ansamblu în Python
Curs
finalizat
