Plan du cours
Introduction
- Vue d'ensemble des caractéristiques et des avantages de AdaBoost
- Comprendre les méthodes d'apprentissage ensembliste
Pour commencer
- Configuration des bibliothèques (Numpy, Pandas, Matplotlib, etc.)
- Importer ou charger des ensembles de données
Construire un modèle AdaBoost avec Python
- Préparation des ensembles de données pour la formation
- Création d'une instance avec AdaBoostClassifier
- Formation du modèle de données
- Calcul et évaluation des données de test
Travailler avec des hyperparamètres
- Exploration des hyperparamètres dans AdaBoost
- Fixer les valeurs et entraîner le modèle
- Modifier les hyperparamètres pour améliorer les performances
Meilleures pratiques et conseils de dépannage
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts d'apprentissage automatique
- Python expérience en programmation
Audience
- Data scientists (scientifiques des données)
- Ingénieurs en logiciel
Nos Clients témoignent (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Formation - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Formation - Applied AI from Scratch in Python
Faire court et simple. Créer une intuition et des modèles visuels autour des concepts (arbre de décision, équations linéaires, calcul manuel de y_pred pour prouver le fonctionnement du modèle).
Nicolae - DB Global Technology
Formation - Machine Learning
Traduction automatique