Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
소개
- 인공 신경망과 의사 결정 트리 기반 알고리즘
XGBoost 기능 개요
- 그라디언트 부스팅 알고리즘의 Element
- 계산 속도와 모델 성능에 중점을 둡니다.
- XGBoost 대 로지스틱 회귀, Random Forest 및 표준 그래디언트 부스팅
트리 기반 알고리즘의 진화
- 결정 트리, 배깅, Random Forest, 부스팅, 그래디언트 부스팅
- 시스템 최적화
- 알고리즘 개선
환경 준비
- SciPy 및 scikit-learn 설치
XGBoost 모델 생성
- 데이터 세트 다운로드
- 일반적인 분류 문제 해결
- 분류를 위한 XGBoost 모델 학습
- 일반적인 회귀 작업 해결
성능 모니터링
- 성과 평가 및 보고
- 조기 중단
중요도에 따른 특징 그리기
- 특성 중요도 계산
- 유지하거나 삭제할 입력 변수 결정
그라데이션 부스팅 구성
- 학습 및 검증 데이터 세트에 대한 학습 곡선 검토
- 학습률 조정
- 나무 수 조정
초매개변수 조정
- XGBoost 모델의 성능 개선
- 초매개변수 조정을 위한 통제된 실험 설계
- Search매개변수 조합
파이프라인 생성
- XGBoost 모델을 엔드투엔드 기계 학습 파이프라인에 통합
- 파이프라인 내에서 하이퍼파라미터 튜닝
- 고급 전처리 기술
문제 해결
요약 및 결론
Requirements
- 머신러닝 모델 작성 경험
청중
- 데이터 과학자
- 머신러닝 엔지니어
14 Hours
