Course Outline
Invoering
- Overzicht van Random Forest kenmerken en voordelen
- Beslisbomen en ensemblemethoden begrijpen
Aan de slag
- De bibliotheken instellen (Numpy, Pandas, Matplotlib, etc.)
- Classificatie en regressie in Random Forests
- Gebruiksscenario's en voorbeelden
Implementeren Random Forest
- Datasets voorbereiden voor training
- Het machine learning-model trainen
- Evalueren en verbeteren van de nauwkeurigheid
De hyperparameters afstemmen in Random Forest
- Het uitvoeren van kruisvalidaties
- Willekeurig zoeken en rasterzoeken
- Visualisatie van de prestaties van trainingsmodellen
- Hyperparameters optimaliseren
Best practices en tips voor probleemoplossing
Samenvatting en volgende stappen
Requirements
- Een goed begrip van machine learning-concepten
- Python programmeerervaring
Publiek
- Datawetenschappers
- Software-ingenieurs
Getuigenissen (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Cursus - 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
Cursus - 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
Cursus - Applied AI from Scratch in Python
Houd het kort en eenvoudig. Intuïtie en visuele modellen creëren rond de concepten (beslissingsboomgrafiek, lineaire vergelijkingen, y_pred handmatig berekenen om te bewijzen hoe het model werkt).
Nicolae - DB Global Technology
Cursus - Machine Learning
Machine Translated