Plan Szkolenia

Wprowadzenie

  • Przegląd cech i zalet Random Forest
  • Zrozumienie drzew decyzyjnych i metod zespołowych

Rozpoczynanie pracy

  • Konfiguracja bibliotek (Numpy, Pandas, Matplotlib, etc.)
  • Klasyfikacja i regresja w Random Forests
  • Przykłady zastosowań

Wdrażanie Random Forest

  • Przygotowanie zbiiorów danych do treningu
  • Trenowanie modelu uczenia maszynowego
  • Ocenianie i poprawianie dokładności

Dostrajanie hiperparametrów w Random Forest

  • Wykonanie walidacji krzyżowej
  • Losowe przeszukiwanie i Grid search
  • Wizualizacja wydajności modelu treningowego
  • Optymalizacja hiperparametrów

Najlepsze praktyki i wskazówki dotyczące rozwiązywania problemów

Podsumowanie i następne kroki

Wymagania

  • Znajomość koncepcji uczenia maszynowego
  • Doświadczenie w programowaniu w języku Python

Grupa docelowa

  • Naukowcy danych
  • Inżynierowie oprogramowania
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie