After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Cây quyết định là các mô hình học có giám sát được dùng cho bài toán phân loại và hồi quy. Mô hình cây có tính linh hoạt cao nhưng đi kèm đánh đổi: một mặt, cây có thể nắm bắt các quan hệ phi tuyến phức tạp; mặt khác, chúng dễ ghi nhớ nhiễu trong dữ liệu. Bằng cách tổng hợp dự đoán từ các cây được huấn luyện theo những cách khác nhau, các phương pháp tổ hợp tận dụng được tính linh hoạt của cây đồng thời giảm xu hướng ghi nhớ nhiễu. Phương pháp tổ hợp được dùng rộng rãi trong nhiều lĩnh vực và đã chứng minh hiệu quả khi chiến thắng nhiều cuộc thi Machine Learning.
Trong khóa học này, bạn sẽ học cách dùng Python để huấn luyện cây quyết định và các mô hình dựa trên cây với thư viện Machine Learning thân thiện scikit-learn. Bạn sẽ hiểu ưu nhược điểm của cây và cách tổ hợp mô hình có thể khắc phục những nhược điểm này, đồng thời thực hành trên các tập dữ liệu thực tế. Cuối cùng, bạn cũng sẽ biết cách tinh chỉnh các siêu tham số quan trọng nhất để khai thác tối đa hiệu quả của mô hình.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Cây phân loại và hồi quy
Cây Phân loại và Hồi quy (CART) là nhóm mô hình học có giám sát dùng cho bài toán phân loại và hồi quy. Trong chương này, bạn sẽ được giới thiệu về thuật toán CART.
- Cây quyết định cho phân loại50 XP
- Huấn luyện cây phân loại đầu tiên của bạn100 XP
- Đánh giá cây phân loại100 XP
- Logistic regression vs classification tree100 XP
- Học cây phân loại50 XP
- Phát triển cây phân loại50 XP
- Dùng entropy làm tiêu chí100 XP
- Entropy so với chỉ số Gini100 XP
- Cây quyết định cho hồi quy50 XP
- Huấn luyện cây hồi quy đầu tiên của bạn100 XP
- Đánh giá cây hồi quy100 XP
- Hồi quy tuyến tính so với cây hồi quy100 XP
2
Đánh đổi giữa độ chệch và phương sai
Đánh đổi giữa độ chệch và phương sai là một trong những khái niệm nền tảng của học có giám sát. Trong chương này, bạn sẽ hiểu cách chẩn đoán hiện tượng quá khớp và thiếu khớp. Bạn cũng sẽ được giới thiệu về ý tưởng tổ hợp mô hình, nơi dự đoán của nhiều mô hình được gộp lại để tạo ra dự đoán vững vàng hơn.
3
Bagging và Rừng ngẫu nhiên
Bagging là một phương pháp tổ hợp trong đó cùng một thuật toán được huấn luyện nhiều lần trên các tập con khác nhau được lấy mẫu từ dữ liệu huấn luyện. Trong chương này, bạn sẽ hiểu cách dùng bagging để tạo một tổ hợp cây. Bạn cũng sẽ học cách thuật toán rừng ngẫu nhiên tạo thêm đa dạng cho tổ hợp thông qua việc ngẫu nhiên hóa ở từng phép chia trong các cây tạo nên tổ hợp.
4
Boosting
Boosting là phương pháp tổ hợp trong đó nhiều mô hình được huấn luyện tuần tự và mỗi mô hình học từ lỗi của các mô hình trước đó. Trong chương này, bạn sẽ được giới thiệu hai phương pháp boosting là AdaBoost và Gradient Boosting.
5
Tinh chỉnh mô hình
Siêu tham số của một mô hình Machine Learning là các tham số không được học từ dữ liệu. Chúng cần được thiết lập trước khi khớp mô hình với tập huấn luyện. Trong chương này, bạn sẽ học cách tinh chỉnh siêu tham số của mô hình dựa trên cây bằng tìm kiếm lưới kèm cross validation.
Machine Learning với mô hình dựa trên cây trong Python
Hoàn
thành khóa học
