După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Cunoști noțiunile de bază ale învățării supervizate și vrei să folosești modele de ultimă generație pe seturi de date reale? Gradient boosting este în prezent una dintre cele mai populare tehnici pentru modelarea eficientă a seturilor de date tabulare de orice dimensiune. XGBoost este o implementare foarte rapidă și scalabilă a gradient boosting, iar modelele bazate pe XGBoost câștigă în mod regulat competiții de știința datelor și sunt utilizate la scară largă în diverse industrii. În acest curs, vei învăța cum să folosești această bibliotecă puternică alături de pandas și scikit-learn pentru a construi și ajusta modele de învățare supervizată. Vei lucra cu seturi de date reale pentru a rezolva probleme de clasificare și regresie.
Cerințe prealabile
Programă
Planul cursului
1
Clasificare cu XGBoost
Acest capitol îți prezintă ideea fundamentală din spatele XGBoost: cursanții îmbunătățiți (boosted learners). După ce înțelegi cum funcționează XGBoost, îl vei aplica pentru a rezolva o problemă de clasificare frecventă în industrie: predicția dacă un client va renunța la serviciu la un moment dat în viitor.
- Bun venit la curs!50 XP
- Care dintre acestea este o problemă de clasificare?50 XP
- Care dintre acestea este o problemă de clasificare binară?50 XP
- Introducere în XGBoost50 XP
- XGBoost: Antrenare/Predicție100 XP
- Ce este un arbore de decizie?50 XP
- Arbori de decizie100 XP
- Ce este Boosting-ul?50 XP
- Măsurarea acurateței100 XP
- Măsurarea AUC100 XP
- Când ar trebui să folosesc XGBoost?50 XP
- Utilizarea XGBoost50 XP
2
Regresie cu XGBoost
După o scurtă recapitulare a regresiei supervizate, vei aplica XGBoost pentru a prezice prețurile locuințelor din Ames, Iowa. Vei afla despre cele două tipuri de cursanți de bază pe care XGBoost le poate folosi ca weak learners și vei recapitula cum se evaluează calitatea modelelor de regresie.
3
Ajustarea fină a modelului XGBoost
Acest capitol te va învăța cum să obții performanțe maxime din modelele tale XGBoost. Vei descoperi varietatea de parametri care pot fi ajustați pentru a modifica comportamentul XGBoost și cum să îi reglezi eficient, astfel încât să duci performanța modelelor tale la un alt nivel.
4
Utilizarea XGBoost în pipeline-uri
Duce-ți abilitățile XGBoost mai departe, integrând modelele în două pipeline-uri complete de machine learning. Vei învăța cum să ajustezi eficient cei mai importanți hiperparametri XGBoost în cadrul unui pipeline și vei primi o introducere în tehnici de preprocesare mai avansate.
Gradient Boosting Extrem cu XGBoost
Curs
finalizat
