XGBoost for Gradient Boosting培訓
XGBoost 是基于决策树的集合(0)算法。 它使用一个高级增强框架来解决涉及图像和文本等不结构化数据的预测问题。 Gradient boosting 也是有效模拟表数据集的流行技术。
这项由导师领导的现场培训(在线或在线)是针对数据科学家,他们希望使用XGBoost来构建能够有效解决逆转、分类、排名和预测问题的模型。
在本研讨会结束后,参与者将能够:
- 安装和设置 XGBoost。
- 了解决策树与其他算法之间的关系,如物流回归和随机森林。
- 测试不同的图书馆,以确定最好的工作。
- 选择一个算法的正确配置。
- 点击一个数据集的算法的超级参数。
- 实施机械学习解决方案,平衡功率与复杂性、解释性和易于实施。
课程格式
- 互动讲座和讨论。
- 很多练习和练习。
- 在现场实验室环境中进行手动实施。
课程定制选项
- 要申请此课程的定制培训,请联系我们安排。
課程簡介
介紹
- 人工神經網路與基於決策樹的演算法
XGBoost 功能概述
- 梯度提升演算法的元素
- 專注於計算速度和模型性能
- XGBoost 與邏輯回歸、Random Forest 和標準梯度提升
基於樹的演算法的演變
- 決策樹、裝袋、Random Forest、提升、梯度提升
- 系統優化
- 演算法增強
準備環境
- 安裝 SciPy 和 scikit-learn
創建 XGBoost 模型
- 下載數據集
- 解決常見的分類問題
- 訓練 XGBoost 模型進行分類
- 解決常見的回歸任務
監控性能
- 評估和報告績效
- 提早停止
按重要性繪製要素
- 計算特徵重要性
- 決定保留或放棄哪些輸入變數
配置梯度提升
- 查看訓練和驗證數據集的學習曲線
- 調整學習率
- 調整樹的數量
超參數調優
- 提高 XGBoost 模型的性能
- 設計一個對照實驗來調整超參數
- Search參數組合
創建流水線
- 將 XGBoost 模型合併到端到端機器學習管道中
- 優化管道中的超參數
- 先進的預處理技術
故障排除
總結和結論
最低要求
- 具有編寫機器學習模型的經驗
觀眾
- 數據科學家
- 機器學習工程師
Open Training Courses require 5+ participants.
XGBoost for Gradient Boosting培訓 - 預訂
XGBoost for Gradient Boosting培訓 - 詢問
XGBoost for Gradient Boosting - 咨詢詢問
Upcoming Courses
相關課程
H2O AutoML
14 時間:這種以講師為主導的台灣現場現場培訓針對的是希望使用H2O AutoML來自動化構建和選擇最佳機器學習演算法和參數的過程的數據科學家。
在培訓結束時,參與者將能夠:
- 自動執行機器學習工作流。
- 在指定的時間範圍內自動訓練和調優多個機器學習模型。
- 訓練堆疊集成以得出高度預測的集成模型。
AutoML with Auto-sklearn
14 時間:這種以講師為主導的台灣現場現場培訓針對的是希望使用Auto-sklearn來自動化選擇和優化機器學習模型過程的機器學習從業者。
在培訓結束時,參與者將能夠:
- 自動執行訓練高效機器學習模型的過程。
- 構建高度準確的機器學習模型,同時繞過選擇、訓練和測試不同模型等更繁瑣的任務。
- 利用機器學習的強大功能解決實際業務問題。
AutoML with Auto-Keras
14 時間:這種以講師為主導的台灣現場培訓(現場或遠端)針對的是數據科學家以及希望使用Auto-Keras來自動化選擇和優化機器學習模型過程的技術人員。
在培訓結束時,參與者將能夠:
- 自動執行訓練高效機器學習模型的過程。
- 自動搜索深度學習模型的最佳參數。
- 構建高度準確的機器學習模型。
- 利用機器學習的強大功能解決實際業務問題。
Introduction to Stable Diffusion for Text-to-Image Generation
21 時間:這種以講師為主導的現場培訓(現場或遠端)面向希望 利用 Stable Diffusion 為各種用例生成高品質圖像的數據科學家、機器學習工程師和計算機視覺研究人員。
在培訓結束時,參與者將能夠:
-
瞭解 Stable Diffusion 的原理以及它如何用於圖像生成。
為圖像生成任務構建和訓練 Stable Diffusion 個模型。
將 Stable Diffusion 應用於各種圖像生成場景,例如修復、修復和圖像到圖像的轉換。
優化 Stable Diffusion 模型的性能和穩定性。
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 時間:這種由講師指導的台灣現場現場培訓面向中高級數據科學家,機器學習工程師,深度學習研究人員和計算機視覺專家,他們希望擴展其在深度學習方面的知識和技能,以生成文本到圖像。
在培訓結束時,參與者將能夠:
-
了解用於文字到圖像生成的高級深度學習架構和技術。
實施複雜的模型和優化,實現高品質的圖像合成。
優化大型數據集和複雜模型的性能和可擴充性。
調整超參數以獲得更好的模型性能和泛化。
將 Stable Diffusion 與其他深度學習框架和工具集成
AlphaFold
7 時間:這種以講師為主導的台灣 現場現場培訓針對的是希望瞭解AlphaFold工作原理並使用AlphaFold模型作為實驗研究指南的生物學家。
在培訓結束時,參與者將能夠:
- 瞭解 AlphaFold 的基本原理。
- 瞭解 AlphaFold 的工作原理。
- 瞭解如何解釋 AlphaFold 預測和結果。
TensorFlow Lite for Embedded Linux
21 時間:這種以講師為主導的台灣現場現場培訓面向希望使用TensorFlow Lite在嵌入式設備上部署深度學習模型的開發人員。
在培訓結束時,參與者將能夠:
- 在嵌入式設備上安裝和配置 Tensorflow Lite。
- 瞭解 TensorFlow Lite 的基本概念和元件。
- 將現有模型轉換為 TensorFlow Lite 格式,以便在嵌入式設備上執行。
- 在小型設備和 TensorFlow Lite 的限制範圍內工作,同時學習如何擴展可以運行的操作範圍。
- 在運行 Linux 的嵌入式設備上部署深度學習模型。
TensorFlow Lite for Android
21 時間:這種以講師為主導的台灣現場培訓(現場或遠端)針對希望使用TensorFlow Lite開發具有深度學習功能的移動應用程式的開發人員。
在培訓結束時,參與者將能夠:
- 安裝和配置 TensorFlow Lite。
- 瞭解 TensorFlow、機器學習和深度學習背後的原理。
- 將 TensorFlow 模型載入到 Android 設備上。
- 在移動應用程式中啟用深度學習和機器學習功能,例如電腦視覺和自然語言識別。
Tensorflow Lite for Microcontrollers
21 時間:這種以講師為主導的台灣現場培訓(現場或遠端)面向希望在非常小的嵌入式設備上編寫,載入和運行機器學習模型的工程師。
在培訓結束時,參與者將能夠:
- 安裝 TensorFlow Lite。
- 將機器學習模型載入式設備上,使其能夠檢測語音、對圖像進行分類等。
- 將 AI 添加到硬體設備,而無需依賴網路連接。
TensorFlow Lite for iOS
21 時間:這種以講師為主導的現場培訓(現場或遠端)面向希望使用TensorFlow Lite開發具有深度學習功能的iOS移動應用程式的開發人員。
在培訓結束時,參與者將能夠:
- 安裝和配置 TensorFlow Lite。
- 了解行動裝置上的 TensorFlow 和機器學習背後的原理。
- 將 TensorFlow 模型載入到 iOS 設備上。
- 運行能夠檢測和分類通過設備攝像頭捕獲的物件的iOS應用程式。
Edge AI with TensorFlow Lite
14 時間:這種由講師指導的 台灣(在線或現場)實時培訓面向希望利用 TensorFlow Lite 進行邊緣 AI 應用程式的中級開發人員、數據科學家和 AI 從業者。
在培訓結束時,參與者將能夠:
- 瞭解 TensorFlow Lite 的基礎知識及其在邊緣 AI 中的作用。
- 使用 TensorFlow Lite 開發和優化 AI 模型。
- 在各種邊緣設備上部署 TensorFlow Lite 模型。
- 利用工具和技術進行模型轉換和優化。
- 使用 TensorFlow Lite 實現實用的邊緣 AI 應用程式。
Optimizing AI Models for Edge Devices
14 時間:這種由講師指導的 台灣(在線或現場)實時培訓面向希望優化 AI 模型以進行邊緣部署的中級 AI 開發人員、機器學習工程師和系統架構師。
在培訓結束時,參與者將能夠:
- 瞭解在邊緣設備上部署 AI 模型的挑戰和要求。
- 應用模型壓縮技術來減小 AI 模型的大小和複雜性。
- 利用量化方法提高邊緣硬體上的模型效率。
- 實施修剪和其他優化技術以提高模型性能。
- 在各種邊緣設備上部署優化的 AI 模型。
Edge AI in Industrial Automation
14 時間:這種以講師為主導的台灣(在線或現場)現場培訓面向希望在工業自動化中實施邊緣 AI 解決方案的中級工業工程師、製造專業人員和 AI 開發人員。
在培訓結束時,參與者將能夠:
- 了解邊緣 AI 在工業自動化中的作用。
- 使用Edge AI實施預測性維護解決方案。
- 在製造過程中應用人工智慧技術進行品質控制。
- 使用邊緣 AI 優化工業流程。
- 在工業環境中部署和管理邊緣 AI 解決方案。
Edge AI for Financial Services
14 時間:這種以講師為主導的台灣(在線或現場)現場培訓面向希望在金融服務中實施邊緣人工智慧解決方案的中級金融專業人士、金融科技開發人員和人工智慧專家。
在培訓結束時,參與者將能夠:
- 了解邊緣 AI 在金融服務中的作用。
- 使用 Edge AI 實施欺詐檢測系統。
- 通過 AI 驅動的解決方案增強客戶服務。
- 應用邊緣 AI 進行風險管理和決策。
- 在金融環境中部署和管理邊緣 AI 解決方案。
Deep Learning Neural Networks with Chainer
14 時間:這種以講師為主導的台灣現場現場培訓針對的是希望使用Chainer在Python中構建和訓練神經網路的研究人員和開發人員,同時使代碼易於調試。
在培訓結束時,參與者將能夠:
- 設置必要的開發環境以開始開發神經網路模型。
- 使用易於理解的原始程式碼定義和實現神經網路模型。
- 執行範例並修改現有演算法以優化深度學習訓練模型,同時利用 GPU 實現高性能。