Schulungsübersicht
Einführung
- Überblick über die Merkmale und Vorteile von Random Forest
- Verständnis von Entscheidungsbäumen und Ensemble-Methoden
Erste Schritte
- Einrichten der Bibliotheken (Numpy, Pandas, Matplotlib, usw.)
- Klassifizierung und Regression in Random Forests
- Anwendungsfälle und Beispiele
Umsetzung Random Forest
- Vorbereiten von Datensätzen für das Training
- Training des maschinellen Lernmodells
- Bewertung und Verbesserung der Genauigkeit
Abstimmung der Hyperparameter in Random Forest
- Durchführung von Kreuzvalidierungen
- Zufällige Suche und Gittersuche
- Visualisierung der Leistung des Trainingsmodells
- Optimieren von Hyperparametern
Bewährte Praktiken und Tipps zur Fehlerbehebung
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis für Konzepte des maschinellen Lernens
- Python Programmiererfahrung
Publikum
- Datenwissenschaftler
- Software-Ingenieure
Erfahrungsberichte (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
Es kurz und einfach halten. Schaffung von Intuition und visuellen Modellen rund um die Konzepte (Entscheidungsbaumdiagramm, lineare Gleichungen, manuelle Berechnung von y_pred, um zu beweisen, wie das Modell funktioniert).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung