Plan du cours
Introduction
- Vue d'ensemble des caractéristiques et des avantages de Random Forest
- Comprendre les arbres de décision et les méthodes d'ensemble
Pour commencer
- Mise en place des bibliothèques (Numpy, Pandas, Matplotlib, etc.)
- Classification et régression dans les Random Forests
- Cas d'utilisation et exemples
Mise en œuvre Random Forest
- Préparer les ensembles de données pour la formation
- Entraînement du modèle d'apprentissage automatique
- Évaluer et améliorer la précision
Réglage des hyperparamètres dans Random Forest
- Effectuer des validations croisées
- Recherche aléatoire et recherche en grille
- Visualisation des performances des modèles d'apprentissage
- Optimisation des hyperparamètres
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