Programa do Curso

Introdução

  • Redes neuronais artificiais versus algoritmos baseados em árvores de decisão

Visão geral das características do XGBoost

  • Elementos de um algoritmo Gradient Boosting
  • Foco na velocidade de computação e no desempenho do modelo
  • XGBoost vs Regressão Logística, Random Forest, e Gradient Boosting padrão

A evolução dos algoritmos baseados em árvores

  • Árvores de decisão, Bagging, Random Forest, Boosting, Gradient Boosting
  • Otimização do sistema
  • Melhorias algorítmicas

Preparar o ambiente

  • Instalação de SciPy e scikit-learn

Criar um modelo XGBoost

  • Descarregar um conjunto de dados
  • Resolvendo um problema comum de classificação
  • Treinar o modelo XGBoost para classificação
  • Resolver uma tarefa de regressão comum

Monitorização do desempenho

  • Avaliação e comunicação do desempenho
  • Paragem precoce

Traçar características por importância

  • Cálculo da importância das características
  • Decidir que variáveis de entrada devem ser mantidas ou descartadas

Configuração do Gradient Boosting

  • Rever as curvas de aprendizagem nos conjuntos de dados de treino e validação
  • Ajustar a taxa de aprendizagem
  • Ajustar o número de árvores

Afinação de hiperparâmetros

  • Melhorar o desempenho de um modelo XGBoost
  • Conceber uma experiência controlada para ajustar os hiperparâmetros
  • [Combinações de parâmetros

Criar um pipeline

  • Incorporação de um modelo XGBoost em um pipeline de aprendizado de máquina de ponta a ponta
  • Ajuste de hiperparâmetros dentro do pipeline
  • Técnicas avançadas de pré-processamento

Resolução de problemas

Resumo e conclusão

Requisitos

  • Experiência na redação de modelos de aprendizagem automática

Público

  • Cientistas de dados
  • Engenheiros de aprendizagem automática
 14 horas

Cursos Relacionados

H2O AutoML

14 horas

AutoML with Auto-sklearn

14 horas

AutoML with Auto-Keras

14 horas

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

21 horas

Introduction to Stable Diffusion for Text-to-Image Generation

21 horas

AlphaFold

7 horas

TensorFlow Lite for Embedded Linux

21 horas

TensorFlow Lite for Android

21 horas

TensorFlow Lite for iOS

21 horas

Tensorflow Lite for Microcontrollers

21 horas

Deep Learning Neural Networks with Chainer

14 horas

Distributed Deep Learning with Horovod

7 horas

Accelerating Deep Learning with FPGA and OpenVINO

35 horas

Building Deep Learning Models with Apache MXNet

21 horas

Deep Learning with Keras

21 horas

Categorias Relacionadas