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
- Elementele 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 arbore
- 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
- Oprirea timpurie
Trasarea caracteristicilor în funcție de importanță
- Calcularea importanței caracteristicilor
- Decizia de a decide ce variabile de intrare trebuie păstrate sau eliminate
Configurarea Gradient Boosting
- Revizuirea curbelor de învățare pe seturile de date de instruire și de validare
- Ajustarea ratei de învățare
- Ajustarea numărului de arbori
Acordarea hiperparametrului
- Îmbunătățirea performanței unui model XGBoost
- Proiectarea unui experiment controlat pentru reglarea hiperparametrilor
- Searching de combinații de parametri
Crearea unei conducte
- Încorporarea unui model XGBoost într-o conductă de învățare automată end-to-end
- Reglarea hiperparametrilor în cadrul pipeline-ului
- Tehnici avansate de preprocesare
Depanare
Rezumat și concluzii
Cerințe
- Experiență în scrierea modelelor de învățare automată
Audiență
- Științifici de date
- Inginerii de învățare mecanică
14 ore