After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Fortsätt din maskininlärningsresa och utforska ensemblelärningens värld! Det är en spännande klass av maskininlärningstekniker som kombinerar flera enskilda algoritmer för att höja prestandan och lösa komplexa problem i stor skala inom olika branscher. Ensembletekniker vinner dessutom regelbundet tävlingar i maskininlärning online!
I den här kursen lär du dig avancerade ensembletkniker som bagging, boosting och stacking. Du tillämpar dem på verkliga datamängder med hjälp av moderna Python-bibliotek för maskininlärning, till exempel scikit-learn, XGBoost, CatBoost och mlxtend.
Förkunskapskrav
Kursplan
Kursöversikt
1
Att kombinera flera modeller
Har du svårt att avgöra vilken av dina modeller som passar bäst för ditt problem? Sluta leta efter den perfekta modellen och använd dem alla istället! I det här kapitlet lär du dig att kombinera flera modeller till en med hjälp av "Voting" och "Averaging". Du använder dessa för att förutsäga betyg på appar i Google Play Store, avgöra om en Pokémon är legendarisk, och ta reda på vilka karaktärer som kommer att dö i Game of Thrones!
- Introduktion till ensemblemetoder50 XP
- Utforska Google-appsdata50 XP
- Förutsäga betyget för en app100 XP
- Röstning50 XP
- Välj den bästa modellen100 XP
- Bygg ditt första ensemble-system100 XP
- Utvärdera ditt ensemble100 XP
- Medelvärdesberäkning50 XP
- Resa till Westeros50 XP
- Förutsäga dödsfall i GoT100 XP
- Mjuk vs. hård röstning100 XP
2
Bagging
Bagging är ensemblemetoden bakom kraftfulla maskininlärningsalgoritmer som random forests. I det här kapitlet lär du dig teorin bakom tekniken och bygger dina egna bagging-modeller med scikit-learn.
3
Boosting
Boosting är en klass av ensemblelärningsalgoritmer som inkluderar prisbelönta modeller som AdaBoost. I det här kapitlet lär du dig om denna prisbelönta modell och använder den för att förutsäga intäkterna för prisbelönta filmer! Du lär dig också om gradientboostingalgoritmer som CatBoost och XGBoost.
4
Stacking
Dags att se hur stacking fungerar i praktiken! I det här sista kapitlet lär du dig om ensemblemetoden stacking. Du lär dig att implementera den med scikit-learn och med biblioteket mlxtend! Du tillämpar stacking för att förutsäga om nordamerikanska svampar är ätliga, och återvänder till betygen för Google-appar med det här mer avancerade angreppssättet.
Ensemblemetoder i Python
Kurs
slutförd
