Struttura del corso

Introduzione

  • Panoramica delle caratteristiche e dei vantaggi Random Forest
  • Informazioni sugli alberi decisionali e sui metodi di insieme

Introduttiva

  • Impostazione delle librerie (Numpy, Pandas, Matplotlib, ecc.)
  • Classificazione e regressione in Random Forests
  • Casi d'uso ed esempi

Implementazione Random Forest

  • Preparazione dei set di dati per l'addestramento
  • Addestramento del modello di Machine Learning
  • Valutare e migliorare l'accuratezza

Regolazione degli iperparametri in Random Forest

  • Esecuzione di convalide incrociate
  • Ricerca casuale e ricerca a griglia
  • Visualizzazione delle prestazioni del modello di training
  • Ottimizzazione degli iperparametri

Best practice e suggerimenti per la risoluzione dei problemi

Riepilogo e prossime tappe

Requisiti

  • Comprensione dei concetti di Machine Learning
  • Python Esperienza di programmazione

Pubblico

  • Scienziati dei dati
  • Ingegneri del software
  14 ore
 

Numero di Partecipanti


Data Inizio

Data Fine


Le date sono soggette a disponibilità e si svolgono tra le 09:30 e le 16:30.
I corsi di formazione pubblici richiedono più di 5 partecipanti.

Recensioni (4)

Corsi relativi

Categorie relative