Cursusaanbod

Introductie

  • Kunstmatige neurale netwerken versus op beslissingsbomen gebaseerde algoritmen

Overzicht van XGBoost-functies

  • Elements van een Gradient Boosting algoritme
  • Focus op rekensnelheid en modelprestaties
  • XGBoost vs Logistic Regression, Random Forest, en standaard Gradient Boosting

De evolutie van op bomen gebaseerde algoritmen

  • Beslissingsbomen, Zakken, Random Forest, Boosting, Gradient Boosting
  • Systeem optimalisatie
  • Algoritmische verbeteringen

Voorbereiding van de omgeving

  • Installeren SciPy en scikit-learn

Een XGBoost-model maken

  • Een dataset downloaden
  • Een veelvoorkomend classificatieprobleem oplossen
  • Het XGBoost model trainen voor classificatie
  • Een veelvoorkomende regressietaak oplossen

Prestaties bewaken

  • Prestaties evalueren en rapporteren
  • Vroeg stoppen

Objecten plotten op belangrijkheid

  • Het belang van een functie berekenen
  • Beslissen welke invoervariabelen moeten worden behouden of weggegooid

Gradiëntversterking configureren

  • Bekijk de leercurves voor trainings- en validatiedatasets
  • Het leertempo aanpassen
  • Aantal bomen aanpassen

Hyperparameter-afstemming

  • De prestaties van een XGBoost-model verbeteren
  • Het ontwerpen van een gecontroleerd experiment om hyperparameters af te stemmen
  • Zoeken naar combinaties van parameters

Een pijplijn maken

  • Een XGBoost-model opnemen in een end-to-end machine learning-pijplijn
  • Hyperparameters afstemmen binnen de pijplijn
  • Geavanceerde voorbewerkingstechnieken

Probleemoplossing

Samenvatting en conclusie

Requirements

  • Ervaring met het schrijven van machine learning-modellen

Audiëntie

  • Datawetenschappers
  • Ingenieurs voor machine learning
 14 Hours

Need help picking the right course?

Voorlopige Aankomende Cursussen

Related Courses

AdaBoost Python for Machine Learning

 14 Hours

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor datawetenschappers en software-ingenieurs die AdaBoost willen gebruiken om boosting-algoritmen voor machine learning te bouwen met Python.

Aan het einde van deze training zijn de deelnemers in staat om:

  • Stel de benodigde ontwikkelomgeving in om te beginnen met het bouwen van machine learning-modellen met AdaBoost.
  • Begrijp de aanpak van ensembleleren en hoe u adaptieve versterking kunt implementeren.
  • Leer hoe u AdaBoost-modellen bouwt om machine learning-algoritmen te stimuleren in Python.
  • Gebruik hyperparameterafstemming om de nauwkeurigheid en prestaties van AdaBoost-modellen te verbeteren.
Lees meer...

Machine Learning with Random Forest

 14 Hours

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor datawetenschappers en software-engineers die Random Forest willen gebruiken om machine learning-algoritmen voor grote datasets te bouwen.

Aan het einde van deze training zijn de deelnemers in staat om:

  • Stel de benodigde ontwikkelomgeving in om te beginnen met het bouwen van machine learning-modellen met Random forest.
  • Begrijp de voordelen van Random Forest en hoe u het kunt implementeren om classificatie- en regressieproblemen op te lossen.
  • Leer omgaan met grote datasets en het interpreteren van meerdere beslisbomen in Random Forest.
  • Evalueer en optimaliseer de prestaties van machine learning-modellen door de hyperparameters af te stemmen.
Lees meer...

LightGBM for Machine Learning

 21 Hours

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is gericht op beginnende tot gemiddelde ontwikkelaars en datawetenschappers die de basis van LightGBM willen leren en geavanceerde technieken willen verkennen.

Aan het einde van deze training zijn de deelnemers in staat om:

  • Installeer en configureer LightGBM.
  • Begrijp de theorie achter gradiëntverhogings- en beslissingsboomalgoritmen
  • Gebruik LightGBM voor basis- en geavanceerde machine learning-taken.
  • Implementeer geavanceerde technieken zoals feature engineering, hyperparameterafstemming en modelinterpretatie.
  • Integreer LightGBM met andere machine learning-frameworks.
  • Veelvoorkomende problemen in LightGBM oplossen.
Lees meer...