Course Outline
Εισαγωγή
- Επισκόπηση των AdaBoost χαρακτηριστικών και πλεονεκτημάτων Κατανόηση των μεθόδων εκμάθησης συνόλου
Ξεκινώντας
- Ρύθμιση των βιβλιοθηκών (Numpy, Pandas, Matplotlib, κ.λπ.) Εισαγωγή ή φόρτωση συνόλων δεδομένων
Δημιουργία μοντέλου AdaBoost με Python
- Προετοιμασία συνόλων δεδομένων για εκπαίδευση Δημιουργία παρουσίας με AdaBoostClassifier Εκπαίδευση του μοντέλου δεδομένων Υπολογισμός και αξιολόγηση των δεδομένων δοκιμής
Εργασία με υπερπαραμέτρους
- Εξερεύνηση υπερπαραμέτρων στο AdaBoost Ρύθμιση των τιμών και εκπαίδευση του μοντέλου Τροποποίηση υπερπαραμέτρων για βελτίωση της απόδοσης
Βέλτιστες πρακτικές και συμβουλές αντιμετώπισης προβλημάτων
Περίληψη και Επόμενα Βήματα
Requirements
- Κατανόηση των εννοιών της μηχανικής μάθησης
- Python εμπειρία προγραμματισμού
Ακροατήριο
- Επιστήμονες δεδομένων
- Μηχανικοί Λογισμικού
Testimonials (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Course - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Course - Applied AI from Scratch in Python
Κρατώντας το σύντομο και απλό. Δημιουργία διαίσθησης και οπτικών μοντέλων γύρω από τις έννοιες (γραφική παράσταση δέντρου αποφάσεων, γραμμικές εξισώσεις, υπολογισμός y_pred με μη αυτόματο τρόπο για να αποδείξετε πώς λειτουργεί το μοντέλο).
Nicolae - DB Global Technology
Course - Machine Learning
Machine Translated