After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Karar ağaçları, sınıflandırma ve regresyon içeren problemler için kullanılan denetimli öğrenme modelleridir. Ağaç modelleri yüksek bir esneklik sunar; bunun bir bedeli vardır: Bir yandan, ağaçlar karmaşık doğrusal olmayan ilişkileri yakalayabilir; öte yandan, bir veri kümesindeki gürültüyü ezberlemeye meyillidirler. Farklı şekilde eğitilmiş ağaçların tahminlerini bir araya getirerek, topluluk (ensemble) yöntemleri ağaçların esnekliğinden yararlanırken gürültüyü ezberleme eğilimini azaltır. Topluluk yöntemleri birçok alanda kullanılır ve pek çok Machine Learning yarışmasını kazanma konusunda kanıtlanmış bir geçmişe sahiptir.
Bu kursta, kullanıcı dostu scikit-learn Machine Learning kütüphanesini kullanarak Python ile karar ağaçları ve ağaç tabanlı modelleri eğitmeyi öğreneceksin. Ağaçların avantajlarını ve eksik yönlerini anlayacak ve topluluk yöntemlerinin bu eksikleri nasıl giderebileceğini göstereceksin; üstelik bunların hepsini gerçek dünya veri kümeleri üzerinde uygulayarak yapacaksın. Son olarak, modellerinden en iyi verimi almak için en etkili hiperparametreleri nasıl ayarlayacağını da öğreneceksin.
Ön Koşullar
Müfredat
Kurs içeriği
1
Sınıflandırma ve Regresyon Ağaçları
Sınıflandırma ve Regresyon Ağaçları (CART), sınıflandırma ve regresyon içeren problemler için kullanılan bir dizi denetimli öğrenme modelidir. Bu bölümde CART algoritmasına giriş yapacaksın.
- Sınıflandırma için karar ağacı50 XP
- İlk sınıflandırma ağacını eğit100 XP
- Sınıflandırma ağacını değerlendir100 XP
- Lojistik regresyon vs sınıflandırma ağacı100 XP
- Sınıflandırma ağacı öğrenimi50 XP
- Bir sınıflandırma ağacını büyütme50 XP
- Ölçüt olarak entropi kullanma100 XP
- Entropi vs Gini indeksi100 XP
- Regresyon için karar ağacı50 XP
- İlk regresyon ağacını eğit100 XP
- Regresyon ağacını değerlendir100 XP
- Doğrusal regresyon vs regresyon ağacı100 XP
2
Bias-Variance Dengesi
Bias-variance dengesi, denetimli Machine Learning’in temel kavramlarından biridir. Bu bölümde, aşırı uyum (overfitting) ve yetersiz uyum (underfitting) sorunlarını nasıl teşhis edeceğini anlayacaksın. Ayrıca, birden fazla modelin tahminlerinin birleştirilerek daha sağlam tahminler üretildiği topluluk (ensembling) kavramıyla tanışacaksın.
3
Bagging ve Rastgele Ormanlar
Bagging, eğitim verisinden örneklenmiş farklı alt kümeler kullanılarak aynı algoritmanın birçok kez eğitilmesini içeren bir topluluk yöntemidir. Bu bölümde, bagging’in nasıl bir ağaç topluluğu oluşturmak için kullanılabileceğini anlayacaksın. Ayrıca, rastgele ormanlar (random forests) algoritmasının, topluluğu oluşturan ağaçlardaki her bölünme düzeyinde rastgeleleştirme yaparak nasıl ek çeşitlilik sağladığını öğreneceksin.
4
Boosting
Boosting, birden çok modelin ardışık olarak eğitildiği ve her modelin kendinden öncekinin hatalarından öğrendiği bir topluluk yöntemidir. Bu bölümde AdaBoost ve Gradient Boosting olmak üzere iki boosting yöntemine giriş yapacaksın.
5
Model Ayarlama
Bir Machine Learning modelinin hiperparametreleri, veriden öğrenilmeyen parametrelerdir. Modeli eğitim kümesine uydurmadan önce belirlenmelidirler. Bu bölümde, bir ağaç tabanlı modelin hiperparametrelerini grid arama çapraz doğrulaması kullanarak nasıl ayarlayacağını öğreneceksin.
Python ile Ağaç Tabanlı Modellerle Machine Learning
Kurs
Tamamlandı
