Thank you for sending your enquiry! One of our team member will contact you shortly.
Thank you for sending your booking! One of our team member will contact you shortly.
Návrh Školení
Úvod
- Umělé neuronové sítě vs algoritmy založené na rozhodovacím stromě
Přehled funkcí XGBoost
- Prvky algoritmu zesílení gradientu Zaměření na rychlost výpočtu a výkon modelu XGBoost vs logistická regrese Random Forest a standardní zesílení gradientu
Evoluce stromových algoritmů
- Rozhodovací stromy, Bagging, Random Forest, Boosting, Gradient Boosting Optimalizace systému Algoritmická vylepšení
Příprava prostředí
- Instalace SciPy a scikit-learn
Vytvoření modelu XGBoost
- Stažení datové sady Řešení běžného klasifikačního problému Trénink modelu XGBoost pro klasifikaci Vyřešte běžnou regresní úlohu
Sledování výkonu
- Hodnocení a vykazování výkonu Včasné zastavení
Vykreslování prvků podle důležitosti
- Výpočet důležitosti funkce Rozhodnutí, které vstupní proměnné ponechat nebo zrušit
Konfigurace zesílení přechodu
- Prohlédněte si křivky učení na trénovacích a ověřovacích datových sadách Úprava rychlosti učení Úprava počtu stromů
Ladění hyperparametrů
- Zlepšení výkonu modelu XGBoost Návrh řízeného experimentu k vyladění hyperparametrů Searchs kombinací parametrů
Vytvoření potrubí
- Začlenění modelu XGBoost do kompletního potrubí strojového učení Ladění hyperparametrů v potrubí Pokročilé techniky předběžného zpracování
Odstraňování problémů
Shrnutí a závěr
Požadavky
- Zažijte psaní modelů strojového učení
Publikum
- Datoví vědci
- Inženýři strojového učení
14 hodiny