Struttura del corso

Introduzione

  • Reti neurali artificiali vs algoritmi basati su alberi decisionali

Panoramica delle funzionalità di XGBoost

  • Elements di un algoritmo di Gradient Boosting
  • Concentrati sulla velocità di calcolo e sulle prestazioni del modello
  • XGBoost vs regressione logistica, Random Forest e potenziamento del gradiente standard

L'evoluzione degli algoritmi ad albero

  • Alberi decisionali, insaccamento, Random Forest, potenziamento, potenziamento del gradiente
  • Ottimizzazione del sistema
  • Miglioramenti algoritmici

Preparare l'ambiente

  • Installazione di SciPy e scikit-learn

Creazione di un modello XGBoost

  • Download di un set di dati
  • Risoluzione di un problema di classificazione comune
  • Addestramento del modello XGBoost per la classificazione
  • Risolvere un'attività di regressione comune

Monitoraggio delle prestazioni

  • Valutazione e rendicontazione delle prestazioni
  • Arresto anticipato

Rappresentazione grafica delle entità geografiche in base all'importanza

  • Calcolo dell'importanza delle funzioni
  • Decidere quali variabili di input mantenere o scartare

Configurazione del potenziamento del gradiente

  • Esaminare le curve di apprendimento sui set di dati di training e convalida
  • Regolazione del tasso di apprendimento
  • Regolazione del numero di alberi

Ottimizzazione degli iperparametri

  • Miglioramento delle prestazioni di un modello XGBoost
  • Progettazione di un esperimento controllato per ottimizzare gli iperparametri
  • Ricerca di combinazioni di parametri

Creazione di una pipeline

  • Incorporazione di un modello XGBoost in una pipeline di machine learning end-to-end
  • Ottimizzazione degli iperparametri all'interno della pipeline
  • Tecniche avanzate di pre-elaborazione

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • Esperienza nella scrittura di modelli di machine learning

Pubblico

  • Scienziati dei dati
  • Ingegneri dell'apprendimento automatico
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

I corsi di formazione pubblici richiedono più di 5 partecipanti.

Corsi in Arrivo

Corsi relativi

AdaBoost Python for Machine Learning

 14 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist e ingegneri del software che desiderano utilizzare AdaBoost per creare algoritmi di boosting per l'apprendimento automatico con Python.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

  • Configura l'ambiente di sviluppo necessario per iniziare a creare modelli di apprendimento automatico con AdaBoost.
  • Comprendere l'approccio dell'apprendimento d'insieme e come implementare il potenziamento adattivo.
  • Scopri come creare modelli AdaBoost per potenziare gli algoritmi di apprendimento automatico in Python.
  • Utilizzare l'ottimizzazione degli iperparametri per aumentare la precisione e le prestazioni dei modelli AdaBoost.
Ulteriori Informazioni...

Machine Learning with Random Forest

 14 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist e ingegneri del software che desiderano utilizzare Random Forest per creare algoritmi di apprendimento automatico per set di dati di grandi dimensioni.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

  • Configura l'ambiente di sviluppo necessario per iniziare a creare modelli di machine learning con la foresta casuale.
  • Comprendere i vantaggi di Random Forest e come implementarlo per risolvere problemi di classificazione e regressione.
  • Scopri come gestire set di dati di grandi dimensioni e interpretare più alberi decisionali in Random Forest.
  • Valutare e ottimizzare le prestazioni del modello di Machine Learning ottimizzando gli iperparametri.
Ulteriori Informazioni...

LightGBM for Machine Learning

 21 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori e data scientist di livello principiante e intermedio che desiderano apprendere le basi di LightGBM ed esplorare tecniche avanzate.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

  • Installare e configurare LightGBM.
  • Comprendi la teoria alla base del potenziamento del gradiente e degli algoritmi dell'albero decisionale
  • Usa LightGBM per attività di machine learning di base e avanzate.
  • Implementa tecniche avanzate come l'ingegneria delle funzionalità, l'ottimizzazione degli iperparametri e l'interpretazione dei modelli.
  • Integra LightGBM con altri framework di machine learning.
  • Risolvi i problemi comuni in LightGBM.
Ulteriori Informazioni...