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

Number of participants


Price per participant