Kursplan
Introduksjon
- Oversikt over Random Forest funksjoner og fordeler Forstå beslutningstrær og ensemblemetoder
Starter
- Sette opp bibliotekene (Numpy, Pandas, Matplotlib, etc.) Klassifisering og regresjon i Random Forests Brukstilfeller og eksempler
Implementering Random Forest
- Forberede datasett for opplæring Trene maskinlæringsmodellen Evaluere og forbedre nøyaktigheten
Stille inn hyperparametrene i Random Forest
- Utføre kryssvalideringer Tilfeldig søk og rutenettsøk Visualisering av treningsmodellytelse Optimalisering av hyperparametre
Beste fremgangsmåter og feilsøkingstips
Sammendrag og neste trinn
Krav
- En forståelse av konsepter for maskinlæring
- Python programmeringserfaring
Publikum
- Dataforskere
- Programvareingeniører
Testimonials (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - 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
Kurs - 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
Kurs - Applied AI from Scratch in Python
Gjør det kort og enkelt. Lage intuisjon og visuelle modeller rundt konseptene (beslutningstregraf, lineære ligninger, beregne y_pred manuelt for å bevise hvordan modellen fungerer).
Nicolae - DB Global Technology
Kurs - Machine Learning
Machine Translated