Ensemble Learning Kurs i Oslo

Denne instruktørledede, live treningen (online eller på stedet) er rettet mot utviklere og datasientister på begynnernivå til mellomnivå som ønsker å lære grunnleggende om LightGBM og utforske avanserte teknikker.

Ved avslutningen av denne treningen vil deltakerne være i stand til å:

• Installere og konfigurere LightGBM.
• Forstå teorien bak gradient boosting og beslutningstrealgoritmer
• Bruke LightGBM til grunnleggende og avanserte maskinlæringsoppgaver.
• Implementere avanserte teknikker som egenskapingeniørering, hyperparameterjustering og modellfortolkning.
• Integrere LightGBM med andre maskinlæringsrammeverk.
• Feilsøke vanlige problemer med LightGBM.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot datavitere og softwareutviklere som ønsker å bruke AdaBoost til å bygge boosting-algoritmer for maskinlæring med Python.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Opprette det nødvendige utviklingsmiljøet for å begynne å bygge maskinlæringsmodeller med AdaBoost.
• Forstå ensemblæringsmetoden og hvordan man implementerer adaptiv boosting.
• Lære å bygge AdaBoost-modeller for å forbedre maskinlæringsalgoritmer i Python.
• Bruke hyperparameterjustering for å øke nøyaktigheten og ytelsen til AdaBoost-modeller.

Denne instruktørledede, live-treningen (online eller på sted) er rettet mot dataforskere og programvareutviklere som ønsker å bruke Random Forest til å bygge maskinlæringsalgoritmer for store datasett.

Ved slutten av denne treningen vil deltakerne kunne:

• Opprette den nødvendige utviklingsmiljøet for å begynne å bygge maskinlæringsmodeller med Random Forest.
• Forstå fordelene med Random Forest og hvordan man implementerer den for å løse klassifiserings- og regresjonsproblemer.
• Lære å håndtere store datasett og tolke flere beslutningstre i Random Forest.
• Vurdere og optimalisere maskinlæringsmodellens ytelse ved å justere hyperparametrene.