Kursplan

Införandet

  • Artificiella neurala nätverk kontra beslutsträdsbaserade algoritmer

Översikt över XGBoost-funktioner

  • Elements av en algoritm för gradientförstärkning
  • Fokus på beräkningshastighet och modellprestanda
  • XGBoost jämfört med logistisk regression, Random Forest och standard gradientförstärkning

Utvecklingen av trädbaserade algoritmer

  • Beslutsträd, bagging, Random Forest, boosting, gradient boosting
  • Optimering av systemet
  • Algoritmiska förbättringar

Att förbereda miljön

  • Installera SciPy och scikit-learn

Skapa en XGBoost-modell

  • Ladda ned en datauppsättning
  • Lösa ett vanligt klassificeringsproblem
  • Träna XGBoost-modellen för klassificering
  • Lösa en vanlig regressionsuppgift

Övervakning av prestanda

  • Utvärdera och rapportera prestanda
  • Tidigt stopp

Plotta funktioner efter betydelse

  • Beräkna funktionens betydelse
  • Bestämma vilka indatavariabler som ska behållas eller kasseras

Konfigurera övertoningsförstärkning

  • Granska inlärningskurvorna för datauppsättningar för träning och validering
  • Justera inlärningstakten
  • Justering av antalet träd

Justering av hyperparametrar

  • Förbättra prestanda för en XGBoost-modell
  • Utforma ett kontrollerat experiment för att finjustera hyperparametrar
  • Söka efter kombinationer av parametrar

Skapa en pipeline

  • Införliva en XGBoost-modell i en pipeline för maskininlärning från slutpunkt till slutpunkt
  • Justera hyperparametrar i pipelinen
  • Avancerade förbehandlingstekniker

Felsökning

Sammanfattning och slutsats

Krav

  • Erfarenhet av att skriva maskininlärningsmodeller

Publik

  • Datavetare
  • Ingenjörer inom maskininlärning
 14 timmar

Antal deltagare


Price per participant

Open Training Courses require 5+ participants.

Upcoming Courses

Relaterade Kurser

AdaBoost Python for Machine Learning

 14 timmar

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till datavetare och programvaruingenjörer som vill använda AdaBoost för att bygga boostande algoritmer för maskininlärning med Python.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Konfigurera den utvecklingsmiljö som krävs för att börja skapa maskininlärningsmodeller med AdaBoost.
  • Förstå metoden för ensembleinlärning och hur du implementerar adaptiv förstärkning.
  • Lär dig hur du skapar AdaBoost-modeller för att öka maskininlärningsalgoritmerna i Python.
  • Använd justering av hyperparametrar för att öka noggrannheten och prestandan för AdaBoost modeller.
LÄS MER...

Machine Learning with Random Forest

 14 timmar

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare och programvaruingenjörer som vill använda Random Forest för att bygga maskininlärningsalgoritmer för stora datamängder.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Konfigurera den utvecklingsmiljö som krävs för att börja skapa maskininlärningsmodeller med slumpmässig skog.
  • Förstå fördelarna med Random Forest och hur du implementerar det för att lösa klassificerings- och regressionsproblem.
  • Lär dig hur du hanterar stora datamängder och tolkar flera beslutsträd i Random Forest.
  • Utvärdera och optimera maskininlärningsmodellens prestanda genom att justera hyperparametrarna.
LÄS MER...

LightGBM for Machine Learning

 21 timmar

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till nybörjare till utvecklare på mellannivå och datavetare som vill lära sig grunderna i LightGBM och utforska avancerade tekniker.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera LightGBM.
  • Förstå teorin bakom gradient boosting och beslutsträdsalgoritmer
  • Använd LightGBM för grundläggande och avancerade maskininlärningsuppgifter.
  • Implementera avancerade tekniker som funktionsframställning, justering av hyperparametrar och modelltolkning.
  • Integrera LightGBM med andra ramverk för maskininlärning.
  • Felsök vanliga problem i LightGBM.
LÄS MER...

Relaterade Kategorier

Image for Ensemble Learning category
Ensemble Learning