Schulungsübersicht

Einführung

  • Übersicht der Funktionen und Vorteile von Random Forests
  • Verständnis von Entscheidungsbaum- und Ensemble-Methoden

Erste Schritte

  • Einrichtung der Bibliotheken (Numpy, Pandas, Matplotlib usw.)
  • Klassifizierung und Regression in Random Forests
  • Anwendungsfälle und Beispiele

Implementierung von Random Forests

  • Vorbereitung der Datensätze für das Training
  • Training des maschinellen Lernmodells
  • Evaluierung und Verbesserung der Genauigkeit

Anpassen der Hyperparameter in Random Forests

  • Durchführung von Kreuzvalidierungen
  • Zufällige Suche und Raster-Suche (Random Search und Grid Search)
  • Visualisierung der Modellleistung beim Training
  • Optimierung der Hyperparameter

Best Practices und Tipps zur Fehlerbehebung

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Verständnis von Konzepten des maschinellen Lernens
  • Erfahrung im Programmieren mit Python

Zielgruppe

  • Datenwissenschaftler
  • Softwareentwickler
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien