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
Recensioni (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Corso - 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
Corso - 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
Corso - Applied AI from Scratch in Python
Mantenerlo breve e semplice. Creazione di intuizioni e modelli visivi attorno ai concetti (grafico dell'albero decisionale, equazioni lineari, calcolo y_pred manualmente per dimostrare come funziona il modello).
Nicolae - DB Global Technology
Corso - Machine Learning
Traduzione automatica