コース概要

導入

  • 人工ニューラル ネットワーク vs デシジョン ツリー ベースのアルゴリズム

XGBoost 機能の概要

  • Gradient Boosting アルゴリズムの Element
  • 計算速度とモデルのパフォーマンスに重点を置く
  • XGBoost とロジスティック回帰、Random Forest、および標準の勾配ブースティング

ツリーベースのアルゴリズムの進化

  • デシジョン ツリー、バギング、Random Forest、ブースティング、勾配ブースティング
  • システムの最適化
  • アルゴリズムの強化

環境を整える

  • SciPy と scikit-learn のインストール

XGBoost モデルの作成

  • データセットのダウンロード
  • 一般的な分類問題を解決する
  • XGBoost モデルを分類用にトレーニングする
  • 一般的な回帰タスクを解決する

パフォーマンスの監視

  • パフォーマンスの評価と報告
  • 早期停止

重要度ごとに特徴をプロットする

  • 特徴量の重要度の計算
  • どの入力変数を保持するか破棄するかを決定する

勾配ブースティングの構成

  • トレーニングおよび検証データセットの学習曲線を確認する
  • 学習率の調整
  • 木の数を調整する

ハイパーパラメータの調整

  • XGBoost モデルのパフォーマンスの向上
  • ハイパーパラメータを調整するための制御された実験を設計する
  • Searchパラメータの組み合わせ

パイプラインの作成

  • XGBoost モデルをエンドツーエンドの機械学習パイプラインに組み込む
  • パイプライン内のハイパーパラメータの調整
  • 高度な前処理技術

トラブルシューティング

要約と結論

要求

  • 機械学習モデルの作成経験

観客

  • データサイエンティスト
  • 機械学習エンジニア
  14 時間
 

参加者の人数


開始

完了


Dates are subject to availability and take place between 10:00 and 17:00.
Open Training Courses require 5+ participants.

関連コース

関連カテゴリー