After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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
Программа
Структура курса
1
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»!
- Введение в ансамблевые методы50 XP
- Изучение данных о приложениях Google50 XP
- Прогнозирование рейтинга приложения100 XP
- Голосование50 XP
- Выбор лучшей модели100 XP
- Создание первого ансамбля100 XP
- Оценка ансамбля100 XP
- Усреднение50 XP
- Путешествие в Вестерос50 XP
- Предсказание гибели персонажей GoT100 XP
- Мягкое и жёсткое голосование100 XP
2
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.
3
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.
4
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.
Ансамблевые методы в Python
Курс
завершён
