Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung
- Künstliche neuronale Netze vs. Entscheidungsbaum-basierte Algorithmen
Überblick über die XGBoost-Funktionen
- Elemente eines Gradient-Boosting-Algorithmus
- Schwerpunkt auf Berechnungsgeschwindigkeit und Modellleistung
- XGBoost vs. Logistische Regression, Random Forest und Standard Gradient Boosting
Die Entwicklung der baumbasierten Algorithmen
- Entscheidungsbäume, Bagging, Random Forest, Boosting, Gradient Boosting
- Optimierung des Systems
- Algorithmische Weiterentwicklungen
Vorbereiten der Umgebung
- Installation von SciPy und scikit-learn
Erstellen eines XGBoost-Modells
- Herunterladen eines Datensatzes
- Lösen eines allgemeinen Klassifizierungsproblems
- Training des XGBoost-Modells für die Klassifizierung
- Lösen einer allgemeinen Regressionsaufgabe
Überwachung der Leistung
- Bewertung und Berichterstattung der Leistung
- Frühzeitige Beendigung
Merkmale nach Wichtigkeit aufzeichnen
- Berechnung der Bedeutung von Merkmalen
- Entscheidung, welche Eingabevariablen beibehalten oder verworfen werden sollen
Konfigurieren der Gradientenverstärkung
- Überprüfung der Lernkurven auf Trainings- und Validierungsdatensätzen
- Anpassen der Lernrate
- Anpassen der Anzahl von Bäumen
Abstimmung der Hyperparameter
- Verbesserung der Leistung eines XGBoost-Modells
- Entwurf eines kontrollierten Experiments zur Abstimmung von Hyperparametern
- Searching Kombinationen von Parametern
Erstellen einer Pipeline
- Einbindung eines XGBoost-Modells in eine End-to-End-Pipeline für maschinelles Lernen
- Abstimmung von Hyperparametern innerhalb der Pipeline
- Fortgeschrittene Vorverarbeitungsmethoden
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Erfahrung im Schreiben von Modellen für maschinelles Lernen
Publikum
- Datenwissenschaftler
- Ingenieure für maschinelles Lernen
14 Stunden