After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Beslutsträd är övervakade inlärningsmodeller som används för klassificerings- och regressionsproblem. Trädmodeller är mycket flexibla, men flexibiliteten har ett pris: å ena sidan kan träd fånga komplexa icke-linjära samband, å andra sidan tenderar de att memorera brus i datamängden. Ensemblemetoder aggregerar förutsägelserna från träd som tränats på olika sätt och utnyttjar därmed trädets flexibilitet samtidigt som de minskar risken för memorering av brus. Ensemblemetoder används inom en mängd olika områden och har en stark meritlista från maskininläringstävlingar.
I den här kursen lär du dig använda Python för att träna beslutsträd och trädbaserade modeller med det lättanvända maskininlärningsbiblioteket scikit-learn. Du lär dig förstå fördelarna och begränsningarna hos träd och hur ensembling kan hantera dessa begränsningar – allt med hjälp av verkliga datamängder. Du lär dig också att finjustera de viktigaste hyperparametrarna för att få ut mesta möjliga av dina modeller.
Förkunskapskrav
Kursplan
Kursöversikt
1
Klassificerings- och regressionsträd
Klassificerings- och regressionsträd (CART) är en uppsättning övervakade inlärningsmodeller för klassificerings- och regressionsproblem. I det här kapitlet introduceras du till CART-algoritmen.
- Beslutsträd för klassificering50 XP
- Träna ditt första klassificeringsträd100 XP
- Utvärdera klassificeringsträdet100 XP
- Logistisk regression vs klassificeringsträd100 XP
- Inlärning med klassificeringsträd50 XP
- Träna ett klassificeringsträd50 XP
- Använda entropi som kriterium100 XP
- Entropi vs. Gini-index100 XP
- Beslutsträd för regression50 XP
- Träna ditt första regressionsträd100 XP
- Utvärdera regressionsträdet100 XP
- Linjär regression vs regressionsträd100 XP
2
Avvägningen mellan bias och varians
Avvägningen mellan bias och varians är ett av de grundläggande begreppen inom övervakad maskininlärning. I det här kapitlet lär du dig att diagnostisera problemen med överanpassning och underanpassning. Du introduceras också till konceptet ensembling, där förutsägelserna från flera modeller aggregeras för att ge mer robusta resultat.
3
Bagging och Random Forests
Bagging är en ensemblemetod där samma algoritm tränas många gånger med olika delmängder från träningsdata. I det här kapitlet lär du dig hur bagging kan användas för att skapa ett trädensemble. Du lär dig också hur random forests-algoritmen kan öka mångfalden i ensemblen genom slumpmässighet på nivån för varje uppdelning i träden.
4
Boosting
Boosting är en ensemblemetod där flera modeller tränas sekventiellt och varje modell lär sig av föregångares fel. I det här kapitlet introduceras du till de två boostingmetoderna AdaBoost och Gradient Boosting.
5
Modelljustering
En maskininlärningsmodells hyperparametrar är parametrar som inte lärs in från data. De ska anges innan modellen anpassas till träningsdatan. I det här kapitlet lär du dig att justera hyperparametrarna hos en trädbaserad modell med hjälp av korsvalidering med rutnätssökning.
Maskininlärning med trädbaserade modeller i Python
Kurs
slutförd
