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
 14 時間:

人數



每位參與者的報價

相關課程

H2O AutoML

14 時間:

AutoML with Auto-sklearn

14 時間:

AutoML with Auto-Keras

14 時間:

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

21 時間:

Introduction to Stable Diffusion for Text-to-Image Generation

21 時間:

AlphaFold

7 時間:

TensorFlow Lite for Embedded Linux

21 時間:

TensorFlow Lite for Android

21 時間:

TensorFlow Lite for iOS

21 時間:

Tensorflow Lite for Microcontrollers

21 時間:

Deep Learning Neural Networks with Chainer

14 時間:

Distributed Deep Learning with Horovod

7 時間:

Accelerating Deep Learning with FPGA and OpenVINO

35 時間:

Building Deep Learning Models with Apache MXNet

21 時間:

Deep Learning with Keras

21 時間:

課程分類