After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Знакомы с основами обучения с учителем и хотите применять современные модели на реальных данных? Градиентный бустинг — один из наиболее популярных методов эффективного моделирования табличных данных любого масштаба. XGBoost — это быстрая и масштабируемая реализация градиентного бустинга: модели на его основе регулярно занимают призовые места в соревнованиях по анализу данных и широко используются в различных отраслях. В этом курсе вы научитесь применять эту мощную библиотеку вместе с pandas и scikit-learn для построения и настройки моделей обучения с учителем. Вы будете работать с реальными наборами данных и решать задачи классификации и регрессии.
Предварительные требования
Программа
Структура курса
1
Классификация с XGBoost
В этой главе вы познакомитесь с ключевой идеей XGBoost — бустингом слабых моделей. Разобравшись в принципах работы XGBoost, вы применените его для решения типичной задачи классификации из реальной практики: предсказания оттока клиентов.
- Добро пожаловать на курс!50 XP
- Какая из этих задач является задачей классификации?50 XP
- Какая из этих задач является задачей бинарной классификации?50 XP
- Знакомство с XGBoost50 XP
- XGBoost: обучение и предсказание100 XP
- Что такое дерево решений?50 XP
- Деревья решений100 XP
- Что такое бустинг?50 XP
- Измерение точности100 XP
- Измерение AUC100 XP
- Когда следует использовать XGBoost?50 XP
- Применение XGBoost50 XP
2
Регрессия с XGBoost
После краткого повторения основ регрессии с учителем вы примените XGBoost для решения задачи предсказания цен на жильё в Эймсе, штат Айова. Вы узнаете о двух типах базовых моделей, которые XGBoost использует в качестве слабых обучающихся, и научитесь оценивать качество регрессионных моделей.
3
Тонкая настройка модели XGBoost
В этой главе вы научитесь добиваться максимальной производительности от моделей XGBoost. Вы изучите разнообразные параметры, влияющие на поведение XGBoost, и освоите эффективные методы их настройки, чтобы вывести качество своих моделей на новый уровень.
4
Использование XGBoost в пайплайнах
Поднимите свои навыки работы с XGBoost на новый уровень, встроив модели в сквозные пайплайны машинного обучения. Вы научитесь эффективно настраивать ключевые гиперпараметры XGBoost внутри пайплайна и познакомитесь с более продвинутыми техниками предобработки данных.
Экстремальный градиентный бустинг с XGBoost
Курс
завершён
