Name: Ансамблевые методы в Python
Rating: 4.871194379391101 (427 reviews)

Описание курса

Продолжайте изучение машинного обучения и погружайтесь в увлекательный мир ансамблевых методов! Это особый класс техник машинного обучения, которые объединяют несколько отдельных алгоритмов, чтобы повысить качество прогнозов и решать сложные задачи в самых разных отраслях. Ансамблевые методы регулярно занимают первые места на онлайн-соревнованиях по машинному обучению! В этом курсе вы изучите продвинутые ансамблевые техники: бэггинг, бустинг и стекинг. Вы применёте их к реальным наборам данных с помощью современных библиотек Python для машинного обучения: scikit-learn, XGBoost, CatBoost и mlxtend.

Предварительные требования

Linear Classifiers in Python Machine Learning with Tree-Based Models in Python

Программа

План курса

Объединение нескольких моделей

Трудно выбрать лучшую модель из нескольких построенных? Не нужно останавливаться на одной — используйте их все сразу! В этой главе вы узнаете, как объединять несколько моделей в одну с помощью методов «голосования» и «усреднения». Вы примените их для предсказания рейтингов приложений в Google Play Store, определения легендарности покемонов и прогнозирования гибели персонажей «Игры престолов»!

Начать главу

Бэггинг

Бэггинг — это ансамблевый метод, лежащий в основе таких мощных алгоритмов, как случайные леса. В этой главе вы изучите теорию этой техники и построите собственные модели бэггинга с помощью scikit-learn.

Начать главу

Бустинг

Бустинг — это класс ансамблевых алгоритмов машинного обучения, включающий такие известные модели, как AdaBoost. В этой главе вы познакомитесь с этим алгоритмом и применёте его для предсказания кассовых сборов фильмов. Также вы изучите алгоритмы градиентного бустинга — CatBoost и XGBoost.

Начать главу

Стекинг

Познакомьтесь со стекингом! В финальной главе курса вы изучите этот ансамблевый метод и научитесь реализовывать его как с помощью scikit-learn, так и с библиотекой mlxtend. Вы примените стекинг для предсказания съедобности грибов Северной Америки и вернётесь к задаче оценки рейтингов приложений Google, используя этот более продвинутый подход.