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 περιπτώσεις χρήσης και παραδείγματα Random Forest

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 πολλαπλών επικυρώσεων Τυχαία αναζήτηση και αναζήτηση πλέγματος Οπτικοποίηση απόδοσης μοντέλου εκπαίδευσης 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


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (4)

Related Courses

Artificial Intelligence (AI) for City Planning

  14 Hours

AI Awareness for Telecom

  14 Hours

Algebra for Machine Learning

  14 Hours

Azure Machine Learning (AML)

  21 Hours

Dataiku for Enterprise AI and Machine Learning

  21 Hours

Related Categories