Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Εισαγωγή
- Περιγραφή των χαρακτηριστικών και πλεονεκτικών σημείων του Random Forest
- Κατανόηση των δένδρων απόφασης και των μεθόδων πολλαπλής εκτίμησης (ensemble methods)
Ξεκινώντας
- Ρύθμιση των βιβλιοθήκων (Numpy, Pandas, Matplotlib κλπ.)
- Ταξινόμηση και προσαρμογή στο Random Forests
- Χρησιμοποιίες και παραδείγματα
Εφαρμογή του Random Forest
- Προετοιμασία συνόλων δεδομένων για εκπαίδευση
- Εκπαίδευση του μοντέλου μηχανής μάθησης
- Αξιολόγηση και βελτίωση της ακρίβειας
Παραμέτρους υπερπαραμέτρων (hyperparameters) στο Random Forest
- Εκτέλεση κατευθυνόμενής επαλήθευσης (cross-validation)
- Τυχαία αναζήτηση και δικτυωτή αναζήτηση (random search and grid search)
- Οπτικοποίηση του επιδόσιμου μοντέλου εκπαίδευσης
- Βελτίωση υπερπαραμέτρων (hyperparameters)
Καλές πρακτικές και συμβουλές για τον αποκλείστη υφιστάμενων προβλημάτων
Περίληψη και επόμενα βήματα
Requirements
- Κατανόηση των εννοιών μηχανικής μάθησης
- Εμπειρία προγραμματισμού σε Python
Ακροατήριο
- Επιστήμονες δεδομένων
- Μηχανικοί λογισμικού
14 Hours
