افزایش گرادیان شدید با XGBoost

مدرس Sergey Fogelson

انتشار 2024/01/01

مدت زمان 54m 37s

سطح مناسب همه

فایل تمرینی دارد

آموزش Extreme Gradient Boosting with XGBoost

آیا اصول اولیه یادگیری تحت نظارت را می دانید و می خواهید از مدل های پیشرفته در مجموعه داده های دنیای واقعی استفاده کنید؟ افزایش گرادیان در حال حاضر یکی از محبوب‌ترین تکنیک‌ها برای مدل‌سازی کارآمد مجموعه داده‌های جدولی در همه اندازه‌ها است. XGboost یک پیاده‌سازی بسیار سریع و مقیاس‌پذیر برای تقویت گرادیان است، با مدل‌هایی که از XGBoost استفاده می‌کنند به طور منظم در مسابقات علمی داده آنلاین برنده می‌شوند و در مقیاس در صنایع مختلف مورد استفاده قرار می‌گیرند. در این دوره، یاد خواهید گرفت که چگونه از این کتابخانه قدرتمند در کنار پانداها و scikit-learn برای ساخت و تنظیم مدل های یادگیری نظارت شده استفاده کنید. شما با مجموعه داده های دنیای واقعی برای حل مشکلات طبقه بندی و رگرسیون کار خواهید کرد.

Machine Learning Python

Classification with XGBoost

Welcome to the course! ()

Introducing XGBoost ()

XGBoost: Fit/Predict

What is a decision tree? ()

Decision trees

What is Boosting? ()

Measuring accuracy

Measuring AUC

When should I use XGBoost? ()

Regression with XGBoost

Regression review ()

Objective (loss) functions and base learners ()

Decision trees as base learners

Linear base learners

Regularization and base learners in XGBoost ()

Using regularization in XGBoost

Visualizing individual XGBoost trees

Visualizing feature importances: What features are most important in my dataset

Fine-tuning your XGBoost model

Why tune your model? ()

Tuning the number of boosting rounds

Automated boosting round selection using early_stopping

Overview of XGBoost's hyperparameters ()

Tuning eta

Tuning max_depth

Tuning colsample_bytree

Review of grid search and random search ()

Grid search with XGBoost

Random search with XGBoost

Limits of grid search and random search ()

Using XGBoost in pipelines

Review of pipelines using sklearn ()

Exploratory data analysis

Encoding categorical columns I: LabelEncoder

Encoding categorical columns II: OneHotEncoder

Encoding categorical columns III: DictVectorizer

Preprocessing within a pipeline

Incorporating XGBoost into pipelines ()

Cross-validating your XGBoost model

Kidney disease case study I: Categorical Imputer

Kidney disease case study II: Feature Union

Kidney disease case study III: Full pipeline

Tuning XGBoost hyperparameters ()

Bringing it all together

Final Thoughts ()

ames_housing_trimmed_processed.csv (192 KB)

ames_unprocessed_data.csv (109 KB)

chronic_kidney_disease.csv (42 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش افزایش گرادیان شدید با XGBoost

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Extreme Gradient Boosting with XGBoost در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

برای شروع پیش‌بینی با داده‌های برچسب‌گذاری شده، بر محبوب‌ترین تکنیک‌های یادگیری ماشینی نظارت‌شده مسلط شوید.

آموزش افزایش گرادیان شدید با XGBoost ، ایستگاه شماره 3 در مسیر یادگیری یادگیری ماشینی تحت نظارت ، است.

مسیر یادگیری یادگیری ماشینی تحت نظارت

محتواها

16 محتوای ویدئویی 26 محتوای Pdf

زیرنویس‌

English و فارسی-ماشین

کیفیت ویدئوها‌

فقط 720p

فایل تمرینی‌

دارد

آزمون‌

ندارد

دانلود فایل تمرینی مشاهده آنلاین

آموزش های مرتبط

تلگرام توییتر واتساپ