After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Продовжуйте вивчати машинне навчання та занурюйтесь у захопливий світ ансамблевих методів! Це клас технік машинного навчання, які поєднують кілька окремих алгоритмів, щоб підвищити якість і розв'язувати складні задачі у великому масштабі в різних галузях. Ансамблеві підходи також регулярно перемагають в онлайн-змаганнях з машинного навчання!
У цьому курсі ви дізнаєтеся про просунуті ансамблеві техніки, зокрема bagging, boosting і stacking. Ви застосуєте їх до реальних наборів даних, використовуючи передові бібліотеки машинного навчання Python, такі як scikit-learn, XGBoost, CatBoost і mlxtend.
Попередні вимоги
Навчальний план
Зміст курсу
1
Поєднання кількох моделей
Вам складно визначити, яка з побудованих вами моделей найкраща для вашої задачі? Не варто обирати одну — краще використайте їх усі! У цьому розділі ви навчитеся поєднувати кілька моделей в одну за допомогою «Voting» і «Averaging». Ви застосуєте ці підходи, щоб передбачати рейтинги застосунків у Google Play Store, визначати, чи є Pokémon легендарним, і хто з персонажів може загинути в «Грі престолів».
- Вступ до методів ансамблевого навчання50 XP
- Дослідження даних про застосунки Google50 XP
- Прогнозування рейтингу застосунку100 XP
- Voting50 XP
- Вибір найкращої моделі100 XP
- Створюємо свій перший ансамбль100 XP
- Оцінювання вашого ансамблю100 XP
- Averaging50 XP
- Подорож до Вестеросу50 XP
- Прогнозування смертей у GoT100 XP
- М'яке проти жорсткого голосування100 XP
2
Bagging
Bagging — це ансамблевий метод, на якому ґрунтуються потужні алгоритми машинного навчання, зокрема випадкові ліси. У цьому розділі ви вивчите теорію цього підходу та побудуєте власні моделі bagging у scikit-learn.
3
Boosting
Boosting — це клас ансамблевих алгоритмів навчання, до якого входять відзначені нагородами моделі, наприклад AdaBoost. У цьому розділі ви познайомитеся з цією відомою моделлю та використаєте її, щоб передбачити касові збори фільмів-лауреатів! Ви також дізнаєтеся про алгоритми градієнтного бустингу, такі як CatBoost і XGBoost.
4
Stacking
Побачимо, як усе складається докупи! У фінальному розділі ви вивчите ансамблевий метод stacking. Ви навчитеся реалізовувати його в scikit-learn, а також за допомогою бібліотеки mlxtend. Ви застосуєте stacking, щоб передбачити їстівність північноамериканських грибів, і знову повернетеся до рейтингів застосунків Google з цим більш просунутим підходом.
Ансамблеві методи в Python
Курс
завершено
