Course Outline

Εισαγωγή

  • Επισκόπηση των Random Forest χαρακτηριστικών και πλεονεκτημάτων
  • Κατανόηση των δέντρων αποφάσεων και των μεθόδων συνόλου

Ξεκινώντας

  • Ρύθμιση των βιβλιοθηκών (Numpy, Pandas, Matplotlib, κ.λπ.)
  • Ταξινόμηση και παλινδρόμηση σε Random Forests
  • Χρησιμοποιήστε περιπτώσεις και παραδείγματα

Υλοποίηση Random Forest

  • Προετοιμασία συνόλων δεδομένων για εκπαίδευση
  • Εκπαίδευση του μοντέλου μηχανικής μάθησης
  • Αξιολόγηση και βελτίωση της ακρίβειας

Συντονισμός των Υπερπαραμέτρων στο Random Forest

  • Εκτέλεση διασταυρούμενων επικυρώσεων
  • Τυχαία αναζήτηση και αναζήτηση πλέγματος
  • Οπτικοποίηση της απόδοσης του προπονητικού μοντέλου
  • Βελτιστοποίηση υπερπαραμέτρων

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
 14 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories