Name: Ensemble Methods ใน Python
Rating: 4.873508353221957 (419 reviews)

รายละเอียดคอร์ส

ต่อยอดการเรียนรู้ด้าน machine learning ด้วยการเจาะลึกโลกของ ensemble learning! เทคนิคเหล่านี้เป็นกลุ่มวิธีการที่น่าสนใจ ซึ่งรวมอัลกอริทึมหลายตัวเข้าด้วยกันเพื่อเพิ่มประสิทธิภาพและแก้ปัญหาที่ซับซ้อนในหลากหลายอุตสาหกรรม นอกจากนี้ เทคนิค ensemble ยังครองตำแหน่งแชมป์ในการแข่งขัน machine learning ออนไลน์อยู่บ่อยครั้งอีกด้วย ในคอร์สนี้ จะได้เรียนรู้เทคนิค ensemble ขั้นสูงครบทุกรูปแบบ ทั้ง bagging, boosting และ stacking พร้อมนำไปใช้กับชุดข้อมูลจริงผ่านไลบรารี machine learning ที่ทันสมัย เช่น scikit-learn, XGBoost, CatBoost และ mlxtend

ข้อกำหนดเบื้องต้น

Linear Classifiers in Python Machine Learning with Tree-Based Models in Python

หลักสูตร

โครงสร้างคอร์ส

การรวมโมเดลหลายตัวเข้าด้วยกัน

หากยังลังเลว่าโมเดลไหนดีที่สุดสำหรับปัญหาของคุณ ลองเปลี่ยนมุมมองใหม่ แล้วใช้ทุกโมเดลพร้อมกันแทน! ในบทนี้จะได้เรียนรู้วิธีรวมโมเดลหลายตัวเป็นโมเดลเดียวด้วยเทคนิค "Voting" และ "Averaging" แล้วนำไปทำนายคะแนนแอปใน Google Play Store, ทำนายว่า Pokémon ตัวไหนเป็นระดับ legendary และทำนายว่าตัวละครใดจะเสียชีวิตใน Game of Thrones!

เริ่มบทเรียน

Bagging

Bagging คือเทคนิค ensemble ที่อยู่เบื้องหลังอัลกอริทึม machine learning อันทรงพลังอย่าง random forests ในบทนี้จะได้เรียนรู้ทฤษฎีของเทคนิคนี้ และสร้างโมเดล bagging ด้วยตัวเองโดยใช้ scikit-learn

เริ่มบทเรียน

Boosting

Boosting เป็นกลุ่มอัลกอริทึม ensemble learning ที่มีโมเดลชื่อดังอย่าง AdaBoost ในบทนี้จะได้เรียนรู้เกี่ยวกับโมเดลนี้ และนำไปทำนายรายได้ของภาพยนตร์ที่โดดเด่น รวมถึงได้เรียนรู้อัลกอริทึม gradient boosting อย่าง CatBoost และ XGBoost ด้วย

เริ่มบทเรียน

Stacking

พร้อมแล้วหรือยังที่จะสำรวจ stacking! ในบทสุดท้ายนี้จะได้เรียนรู้เทคนิค ensemble แบบ stacking พร้อมวิธีนำไปใช้งานทั้งผ่าน scikit-learn และไลบรารี mlxtend จากนั้นจะได้นำ stacking ไปทำนายว่าเห็ดในอเมริกาเหนือกินได้หรือไม่ และกลับมาทำนายคะแนนแอป Google อีกครั้งด้วยแนวทางที่ล้ำกว่าเดิม