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
- Τεχνητά νευρωνικά δίκτυα έναντι αλγόριθμων που βασίζονται σε δέντρα αποφάσεων
Επισκόπηση των δυνατοτήτων XGBoost
- Στοιχεία ενός αλγόριθμου ενίσχυσης κλίσης Εστίαση στην υπολογιστική ταχύτητα και απόδοση μοντέλου XGBoost vs Logistic Regression, Random Forest και τυπική ενίσχυση κλίσης
Η εξέλιξη των αλγορίθμων που βασίζονται σε δέντρα
- Decision Trees, Bagging, Random Forest, Boosting, Gradient Boosting Βελτιστοποίηση συστήματος Αλγοριθμικές βελτιώσεις
Προετοιμασία του Περιβάλλοντος
- Εγκατάσταση SciPy και scikit-learn
Δημιουργία μοντέλου XGBoost
- Λήψη συνόλου δεδομένων Επίλυση κοινού προβλήματος ταξινόμησης Εκπαίδευση του μοντέλου XGBoost για ταξινόμηση Επίλυση κοινής εργασίας παλινδρόμησης
Παρακολούθηση Απόδοσης
- Αξιολόγηση και αναφορά απόδοσης Πρόωρη διακοπή
Σχεδίαση χαρακτηριστικών κατά σημασία
- Υπολογισμός σημασίας χαρακτηριστικών Αποφασισμός ποιες μεταβλητές εισόδου θα κρατηθούν ή θα απορριφθούν
Ρύθμιση παραμέτρων ενίσχυσης κλίσης
- Επανεξέταση των καμπυλών μάθησης στα σύνολα δεδομένων εκπαίδευσης και επικύρωσης Προσαρμογή του ρυθμού εκμάθησης Προσαρμογή του αριθμού των δέντρων
Συντονισμός υπερπαραμέτρων
- Βελτίωση της απόδοσης ενός μοντέλου XGBoost Σχεδιασμός ενός ελεγχόμενου πειράματος για τον συντονισμό υπερπαραμέτρων Search σε συνδυασμούς παραμέτρων
Δημιουργία αγωγού
- Ενσωμάτωση ενός μοντέλου XGBoost σε έναν αγωγό μηχανικής εκμάθησης από άκρο σε άκρο Συντονισμός υπερπαραμέτρων εντός του αγωγού Προηγμένες τεχνικές προεπεξεργασίας
Αντιμετώπιση προβλημάτων
Περίληψη και Συμπέρασμα
Requirements
- Απολαύστε τη σύνταξη μοντέλων μηχανικής μάθησης
Ακροατήριο
- Επιστήμονες δεδομένων
- Μηχανικοί μηχανικής εκμάθησης
14 Hours