Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Kan du grunderna i övervakad inlärning och vill använda moderna modeller på verkliga datamängder? Gradientboosting är i dag en av de mest populära teknikerna för effektiv modellering av tabelldata i alla storlekar. XGBoost är en mycket snabb och skalbar implementation av gradientboosting – modeller byggda med XGBoost vinner regelbundet tävlingar inom datavetenskap och används i stor skala inom många branscher. I den här kursen lär du dig att använda det här kraftfulla biblioteket tillsammans med pandas och scikit-learn för att bygga och finjustera modeller för övervakad inlärning. Du kommer att arbeta med verkliga datamängder för att lösa klassificerings- och regressionsproblem.
Förkunskapskrav
Kursplan
Kursöversikt
1
Klassificering med XGBoost
Det här kapitlet introducerar grundidén bakom XGBoost – boostade inlärare. När du förstår hur XGBoost fungerar tillämpar du det på ett vanligt klassificeringsproblem inom industrin: att förutsäga om en kund kommer att sluta vara kund vid någon framtida tidpunkt.
- Välkommen till kursen!50 XP
- Vilket av dessa är ett klassificeringsproblem?50 XP
- Vilket av dessa är ett binärt klassificeringsproblem?50 XP
- Introduktion till XGBoost50 XP
- XGBoost: Träna/Förutsäg100 XP
- Vad är ett beslutsträd?50 XP
- Beslutsträd100 XP
- Vad är boosting?50 XP
- Mäta noggrannhet100 XP
- Mäta AUC100 XP
- När bör jag använda XGBoost?50 XP
- Använda XGBoost50 XP
2
Regression med XGBoost
Efter en kort genomgång av övervakad regression tillämpar du XGBoost på regressionsuppgiften att förutsäga huspriser i Ames, Iowa. Du lär dig om de två typerna av basmodeller som XGBoost kan använda som svaga inlärare och går igenom hur du utvärderar kvaliteten på dina regressionsmodeller.
3
Finjustering av din XGBoost-modell
Det här kapitlet lär dig hur du gör dina XGBoost-modeller så effektiva som möjligt. Du lär dig om de olika parametrar som kan justeras för att påverka XGBoosts beteende och hur du ställer in dem effektivt för att maximera prestandan hos dina modeller.
4
Använda XGBoost i pipelines
Ta dina XGBoost-kunskaper till nästa nivå genom att integrera dina modeller i två kompletta maskininlärningspipelines. Du lär dig hur du effektivt justerar de viktigaste hyperparametrarna i XGBoost inom en pipeline och får en introduktion till några mer avancerade förbehandlingstekniker.
Extreme Gradient Boosting med XGBoost
Kurs
slutförd
