Návrh Školení
Úvod
- Přehled vlastností a výhod Random Forest Pochopení rozhodovacích stromů a souborových metod
Začínáme
- Nastavení knihoven (Numpy, Pandas, Matplotlib atd.) Klasifikace a regrese v Random Forests Případy použití a příklady
Implementace Random Forest
- Příprava datových sad pro školení Školení modelu strojového učení Hodnocení a zlepšování přesnosti
Ladění hyperparametrů v Random Forest
- Provádění křížových validací Náhodné vyhledávání a vyhledávání v mřížce Vizualizace výkonu tréninkového modelu Optimalizace hyperparametrů
Doporučené postupy a tipy na řešení problémů
Shrnutí a další kroky
Požadavky
- Pochopení konceptů strojového učení
- Python zkušenosti s programováním
Publikum
- Datoví vědci
- Softwaroví inženýři
Reference (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurz - 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
Kurz - 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
Kurz - Applied AI from Scratch in Python
Aby to bylo krátké a jednoduché. Vytváření intuice a vizuálních modelů kolem pojmů (graf rozhodovacího stromu, lineární rovnice, ruční výpočet y_pred pro prokázání, jak model funguje).
Nicolae - DB Global Technology
Kurz - Machine Learning
Machine Translated