After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Arborii de decizie sunt modele de învățare supervizată utilizați pentru probleme de clasificare și regresie. Modelele bazate pe arbori oferă o flexibilitate ridicată, care vine însă cu un cost: pe de o parte, arborii pot surprinde relații complexe, neliniare; pe de altă parte, sunt predispuși să memoreze zgomotul prezent într-un set de date. Prin agregarea predicțiilor unor arbori antrenați în mod diferit, metodele de ansamblu valorifică flexibilitatea arborilor, reducând în același timp tendința acestora de a memora zgomotul. Metodele de ansamblu sunt utilizate într-o varietate de domenii și au demonstrat în mod repetat că pot câștiga competiții de machine learning.
În acest curs, vei învăța cum să folosești Python pentru a antrena arbori de decizie și modele bazate pe arbori cu biblioteca de machine learning scikit-learn. Vei înțelege avantajele și limitele arborilor și vei vedea cum metodele de ansamblu pot atenua aceste limite, exersând pe seturi de date reale. În final, vei înțelege și cum să ajustezi cei mai importanți hiperparametri pentru a obține maximum din modelele tale.
Cerințe prealabile
Curriculum
Structura cursului
1
Arbori de clasificare și regresie
Arborii de clasificare și regresie (CART) sunt un set de modele de învățare supervizată utilizate pentru probleme de clasificare și regresie. În acest capitol, vei face cunoștință cu algoritmul CART.
- Arbore de decizie pentru clasificare50 XP
- Antrenează primul tău arbore de clasificare100 XP
- Evaluează arborele de clasificare100 XP
- Regresie logistică vs. arbore de clasificare100 XP
- Învățarea arborelui de clasificare50 XP
- Creșterea unui arbore de clasificare50 XP
- Utilizarea entropiei ca criteriu100 XP
- Entropie vs. indicele Gini100 XP
- Arbore de decizie pentru regresie50 XP
- Antrenează primul tău arbore de regresie100 XP
- Evaluează arborele de regresie100 XP
- Regresie liniară vs. arbore de regresie100 XP
2
Compromisul dintre bias și varianță
Compromisul dintre bias și varianță este unul dintre conceptele fundamentale în învățarea automată supervizată. În acest capitol, vei înțelege cum să diagnostichezi problemele de supraajustare și subajustare. Vei fi introdus și în conceptul de ansamblu, unde predicțiile mai multor modele sunt agregate pentru a produce predicții mai robuste.
3
Bagging și păduri aleatoare
Bagging este o metodă de ansamblu care presupune antrenarea aceluiași algoritm de mai multe ori, folosind subseturi diferite extrase din datele de antrenament. În acest capitol, vei înțelege cum poate fi folosit bagging pentru a crea un ansamblu de arbori. Vei învăța și cum algoritmul pădurilor aleatoare poate conduce la o diversitate mai mare a ansamblului prin randomizare la nivelul fiecărei împărțiri din arborii care formează ansamblul.
4
Boosting
Boosting se referă la o metodă de ansamblu în care mai multe modele sunt antrenate secvențial, fiecare model învățând din erorile predecesorilor săi. În acest capitol, vei fi introdus în cele două metode de boosting: AdaBoost și Gradient Boosting.
5
Ajustarea modelului
Hiperparametrii unui model de machine learning sunt parametri care nu sunt învățați din date. Aceștia trebuie setați înainte de a ajusta modelul pe setul de antrenament. În acest capitol, vei învăța cum să ajustezi hiperparametrii unui model bazat pe arbori folosind validarea încrucișată prin căutare pe grilă.
Machine Learning cu modele bazate pe arbori în Python
Curs
finalizat
