Programa del Curso
Introducción
- Resumen de Random Forest características y ventajas
- Comprensión de los árboles de decisión y los métodos de conjunto
Empezar
- Configuración de las librerías (Numpy, Pandas, Matplotlib, etc.)
- Clasificación y regresión en Random Forests
- Casos de uso y ejemplos
Implementación Random Forest
- Preparación de conjuntos de datos para el entrenamiento
- Entrenamiento del modelo de aprendizaje automático
- Evaluación y mejora de la precisión
Ajuste de los hiperparámetros en Random Forest
- Realización de validaciones cruzadas
- Búsqueda aleatoria y búsqueda en cuadrícula
- Visualización del rendimiento del modelo de entrenamiento
- Optimización de hiperparámetros
Prácticas recomendadas y consejos para la solución de problemas
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de aprendizaje automático
- Python Experiencia en programación
Audiencia
- Científicos de datos
- Ingenieros de software
Testimonios (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Curso - 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
Curso - 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
Curso - Applied AI from Scratch in Python
Manteniéndolo corto y simple. Creación de intuición y modelos visuales alrededor de los conceptos (gráfico de árbol de decisión, ecuaciones lineales, cálculo y_pred manualmente para probar cómo funciona el modelo).
Nicolae - DB Global Technology
Curso - Machine Learning
Traducción Automática