Kursplan
Introduktion
- Översikt över Random Forest funktioner och fördelar
- Förstå beslutsträd och ensemblemetoder
Komma igång
- Ställa in biblioteken (Numpy, Pandas, Matplotlib, etc.)
- Klassificering och regression i Random Forests
- Använd fall och exempel
Implementerar Random Forest
- Förbereda datamängder för träning
- Utbildning av maskininlärningsmodellen
- Utvärdera och förbättra noggrannheten
Justera hyperparametrarna i Random Forest
- Utföra korsvalideringar
- Slumpmässig sökning och rutnätssökning
- Visualisera träningsmodellens prestanda
- Optimera hyperparametrar
Bästa metoder och felsökningstips
Sammanfattning och nästa steg
Krav
- En förståelse för maskininlärningskoncept
- Python programmeringserfarenhet
Publik
- Dataforskare
- Programvaruingenjörer
Vittnesmål (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - 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
Kurs - 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
Kurs - Applied AI from Scratch in Python
Håller det kort och enkelt. Skapa intuition och visuella modeller kring begreppen (beslutsträdsgraf, linjära ekvationer, beräkna y_pred manuellt för att bevisa hur modellen fungerar).
Nicolae - DB Global Technology
Kurs - Machine Learning
Machine Translated