After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
Decision tree คือโมเดล supervised learning ที่ใช้แก้ปัญหาทั้งการจำแนกประเภทและการถดถอย โมเดลประเภทนี้มีความยืดหยุ่นสูง แต่ก็มีข้อแลกเปลี่ยน กล่าวคือ tree สามารถจับความสัมพันธ์ที่ซับซ้อนและไม่เป็นเชิงเส้นได้ดี แต่ในขณะเดียวกันก็มีแนวโน้มที่จะจำ noise ในชุดข้อมูลมากเกินไป วิธี ensemble จะรวมการพยากรณ์จาก tree หลายต้นที่ถูกฝึกในรูปแบบต่างกัน เพื่อใช้ประโยชน์จากความยืดหยุ่นของ tree พร้อมลดปัญหาการจำ noise วิธีเหล่านี้ถูกนำไปใช้ในหลากหลายสาขาและพิสูจน์แล้วว่าทำผลงานได้โดดเด่นในการแข่งขัน machine learning มากมาย
ในคอร์สนี้ คุณจะได้เรียนรู้วิธีใช้ Python เพื่อฝึก decision tree และโมเดลที่ใช้ tree เป็นพื้นฐาน ผ่านไลบรารี scikit-learn ที่ใช้งานง่าย จะได้เข้าใจทั้งข้อดีและข้อจำกัดของ tree และเห็นว่า ensembling ช่วยแก้ข้อจำกัดเหล่านั้นได้อย่างไร โดยฝึกปฏิบัติกับชุดข้อมูลจริง นอกจากนี้ยังจะได้เรียนรู้วิธีปรับ hyperparameter ที่สำคัญที่สุด เพื่อดึงประสิทธิภาพสูงสุดออกมาจากโมเดล
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
Classification and Regression Trees
Classification and Regression Trees (CART) คือกลุ่มโมเดล supervised learning ที่ใช้แก้ปัญหาการจำแนกประเภทและการถดถอย ในบทนี้ คุณจะได้รู้จักกับอัลกอริทึม CART
- Decision Tree สำหรับการจำแนกประเภท50 XP
- ฝึกสร้าง classification tree ต้นแรก100 XP
- ประเมินผล Classification Tree100 XP
- Logistic regression เทียบกับ classification tree100 XP
- การเรียนรู้ของ Classification Tree50 XP
- การสร้าง Classification Tree50 XP
- การใช้ entropy เป็น criterion100 XP
- Entropy กับ Gini index100 XP
- Decision Tree สำหรับการถดถอย50 XP
- ฝึก Regression Tree ต้นแรกของคุณ100 XP
- ประเมินผล Regression Tree100 XP
- Linear regression vs. regression tree100 XP
2
การแลกเปลี่ยนระหว่าง Bias และ Variance
การแลกเปลี่ยนระหว่าง bias และ variance คือหนึ่งในแนวคิดพื้นฐานที่สำคัญที่สุดใน supervised machine learning ในบทนี้ คุณจะได้เรียนรู้วิธีวินิจฉัยปัญหา overfitting และ underfitting รวมถึงได้รู้จักกับแนวคิด ensembling ซึ่งเป็นการรวมการพยากรณ์จากหลายโมเดลเพื่อให้ได้ผลลัพธ์ที่แม่นยำและเสถียรมากขึ้น
3
Bagging และ Random Forests
Bagging คือวิธี ensemble ที่ฝึกอัลกอริทึมเดิมหลายรอบโดยใช้ข้อมูลย่อยที่สุ่มมาจากชุดข้อมูลฝึก ในบทนี้ คุณจะได้เรียนรู้ว่า bagging ช่วยสร้าง tree ensemble ได้อย่างไร และอัลกอริทึม random forests เพิ่มความหลากหลายให้กับ ensemble ได้อย่างไร ผ่านการสุ่มในระดับของแต่ละ split ใน tree
4
Boosting
Boosting คือวิธี ensemble ที่ฝึกโมเดลหลายตัวตามลำดับ โดยแต่ละโมเดลเรียนรู้จากข้อผิดพลาดของโมเดลก่อนหน้า ในบทนี้ คุณจะได้รู้จักกับสองวิธี boosting ได้แก่ AdaBoost และ Gradient Boosting
5
การปรับแต่งโมเดล
Hyperparameter ของโมเดล machine learning คือพารามิเตอร์ที่ไม่ได้เรียนรู้จากข้อมูล และต้องกำหนดค่าไว้ก่อนที่จะ fit โมเดลกับชุดข้อมูลฝึก ในบทนี้ คุณจะได้เรียนรู้วิธีปรับ hyperparameter ของโมเดลที่ใช้ tree เป็นพื้นฐาน โดยใช้ grid search cross-validation
Machine Learning with Tree-Based Models in Python
เรียนจบแล้ว
