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.
Schița de curs
Introducere
- Rețele neuronale artificiale vs. algoritmi bazați pe arbori de decizie
Prezentare generală a caracteristicilor XGBoost
- Elements ale unui algoritm Gradient Boosting
- Accent pe viteza de calcul și performanța modelului
- XGBoost vs. regresie logistică, Random Forest, și Gradient Boosting standard
Evoluția algoritmilor pe bază de arbori
- Arbori de decizie, Bagging, Random Forest, Boosting, Gradient Boosting
- Optimizarea sistemului
- Îmbunătățiri algoritmice
Pregătirea mediului
- Instalarea SciPy și scikit-learn
Crearea unui model XGBoost
- Descărcarea unui set de date
- Rezolvarea unei probleme comune de clasificare
- Formarea modelului XGBoost pentru clasificare
- Rezolvarea unei sarcini comune de regresie
Monitorizarea performanței
- Evaluarea și raportarea performanței
- Stoparea timpurie
Reprezentarea grafică a caracteristicilor în funcție de importanță
- Calcularea importanței caracteristicilor
- Deciderea variabilelor de intrare care trebuie păstrate sau eliminate
Configurarea sistemului Gradient Boosting
- Revizuirea curbelor de învățare pe seturile de date de formare și validare
- Ajustarea ratei de învățare
- Ajustarea numărului de arbori
Reglarea hiperparametrilor
- Îmbunătățirea performanței unui model XGBoost
- Proiectarea unui experiment controlat pentru reglarea hiperparametrilor
- Căutarea combinațiilor de parametri
Crearea unei conducte
- Încorporarea unui model XGBoost într-un pipeline de învățare automată end-to-end
- Reglarea hiperparametrilor în cadrul conductei
- Tehnici avansate de preprocesare
Rezolvarea problemelor
Rezumat și concluzie
Cerințe
- Experiență în scrierea de modele de învățare automată
Audiență
- Oameni de știință în domeniul datelor
- Ingineri de învățare automată
14 ore
