Praktyczne lasy losowe i drzewa decyzyjne dla uczenia maszynowego

Dane tabelaryczne są podstawą większości firm, a modele oparte na drzewach pozostają najskuteczniejszymi narzędziami do ich analizy.Jeśli chcesz dokonywać dokładnych prognoz ze zorganizowanych zestawów danych bez złożoności głębokich sieci neuronowych, opanowanie drzew decyzyjnych i lasów losowych jest niezbędnym pierwszym krokiem. Ten kurs prowadzi od podstawowych zasad dzielenia danych do wdrażania solidnych modeli zespołowych. Z początkującego przejdziesz do pewnego praktyka zdolnego do przygotowywania danych, trenowania modeli i wyodrębniania ważnych cech. Czego się nauczysz: - Zrozum podstawową mechanikę drzew decyzyjnych i sposób, w jaki dzielą dane. - Buduj i dostrajaj losowe lasy, aby zapobiec przesadzeniu i poprawić uogólnienie. - Zastosuj nowoczesne techniki czyszczenia i przetwarzania wstępnego danych specjalnie zoptymalizowane dla modeli opartych na drzewach. - Interpretuj prognozy modelu za pomocą technik znaczenia cech, wariancji i drzewa-interpretera. - Ćwicz obsługę brakujących wartości, zmiennych kategorycznych i walidacji danych poza domeną. - Poznaj podstawy gradientu jako naturalny następny krok w podróży do nauki zespołu. Zaczniesz od podstawowej terminologii uczenia maszynowego i podstawowej reprezentacji danych, zanim przejdziesz do praktycznej budowy i oceny modelu. Ten kurs tekstowy jest przeznaczony dla początkujących z podstawową wiedzą na temat Pythona; nie jest wymagane zaawansowane tło matematyczne ani wcześniejsze doświadczenie w uczeniu maszynowym.