Ensemble Machine Learning en Python: Random Forest, AdaBoost - FreeCourseSite

Ensemble Machine Learning en Python: Random Forest, AdaBoost

Métodos de conjunto: impulso, empaquetado, boostrap y aprendizaje automático estadístico para la ciencia de datos en Python

Lo que aprenderás

Ensemble Machine Learning en Python: Random Forest, AdaBoost - freecoursesite

  • Comprender y derivar la descomposición de sesgo-varianza
  • El método bootstrap y su aplicación al ensacado

  • Comprender por qué el ensacado mejora el rendimiento de clasificación y regresión.

  • E implementar Random Forest
  • Comprender e implementar AdaBoost

Requisitos

  • Calculo diferencial
  • Numpy, Matplotlib, Sci-Kit Aprende
  • K-Vecinos más cercanos, árboles de decisión
  • Probabilidad y estadística (nivel de pregrado)
  • Regresión lineal, regresión logística

Descripción

En los últimos años, hemos visto un resurgimiento en AI, o inteligencia artificial, y aprendizaje automático.

El aprendizaje automático ha dado lugar a resultados sorprendentes, como poder analizar imágenes médicas y predecir enfermedades a la par con los expertos humanos.

El programa AlphaGo de Google pudo vencer a un campeón mundial en el juego de estrategia mediante el aprendizaje por refuerzo profundo.

El aprendizaje automático incluso se está utilizando para programar automóviles autónomos, lo que cambiará la industria automotriz para siempre. Imagínese un mundo con accidentes automovilísticos drásticamente reducidos, simplemente eliminando el elemento del error humano.

Google anunció que ahora son "el aprendizaje automático primero", y empresas como NVIDIA y Amazonas han seguido su ejemplo, y esto es lo que impulsará la innovación en los próximos años. - FreeCourseSite

El aprendizaje automático está integrado en todo tipo de productos diferentes y se usa en muchas industrias, como finanzas, publicidad en línea, medicina y robótica.

Es una herramienta ampliamente aplicable que lo beneficiará sin importar en qué industria se encuentre, y también abrirá un montón de oportunidades profesionales una vez que se vuelva bueno.

El aprendizaje automático también plantea algunas preguntas filosóficas. ¿Estamos construyendo una máquina que pueda pensar? ¿Qué significa ser consciente? ¿Algún día las computadoras se apoderarán del mundo?

Este curso tiene que ver con métodos de conjunto.

Ya hemos aprendido algunos modelos clásicos de aprendizaje automático como un k-vecino más cercano y árbol de decisión. Hemos estudiado sus limitaciones e inconvenientes.

Pero, ¿y si pudiéramos combinar estos modelos para eliminar esas limitaciones y producir un clasificador o regresor mucho más poderoso?

En este curso, estudiará formas de combinar modelos como árboles de decisión y regresión logística para construir modelos que pueden alcanzar precisiones mucho más altas que los modelos base de los que están hechos.

En particular, estudiaremos el Bosque aleatorio y AdaBoost algoritmos en detalle.

Para motivar nuestra discusión, aprenderemos sobre un tema importante en el aprendizaje estadístico, el compensación de sesgo-varianza. Luego estudiaremos el oreja técnica y harpillera como métodos para reducir el sesgo y la varianza simultáneamente.

LEER
WebDev 3000: Introducción a los sitios web de Python

Haremos un montón de experimentos y utilice estos algoritmos en conjuntos de datos reales para que pueda ver de primera mano lo poderosos que son.

Ya que aprendizaje profundo es tan popular en estos días, estudiaremos algunos puntos en común interesantes entre los bosques aleatorios, AdaBoost y las redes neuronales de aprendizaje profundo.

Ensemble Machine Learning en Python: Random Forest, AdaBoost

Todos los materiales de este curso son GRATIS. Puede descargar e instalar Python, Numpy y Scipy con comandos simples en Windows, Linux o Mac. Este curso se centra en "como construir y entender“, No solo“ cómo usarlo ”. Cualquiera puede aprender a usar una API en 15 minutos después de leer alguna documentación. No se trata de "recordar hechos", se trata de "Ver por ti mismo" a través de la experimentación. Le enseñará cómo visualizar lo que está sucediendo en el modelo internamente. Si quieres mas que solo un vistazo superficial a los modelos de aprendizaje automático, este curso es para usted.

PRERREQUISITOS DIFÍCILES / CONOCIMIENTOS QUE SE ASUME QUE TIENE:

  • Cálculo
  • Probabilidad
  • Programación orientada a objetos
  • Codificación Python: if / else, bucles, listas, dictados, conjuntos
  • Codificación Numpy: operaciones matriciales y vectoriales
  • Regresión lineal, regresión logística, árboles de decisión, kNN

CONSEJOS (para completar el curso):

  • Míralo en 2x.
  • Toma notas escritas a mano. Esto aumentará drásticamente su capacidad para retener la información.
  • Escribe las ecuaciones. Si no lo hace, le garantizo que se verá como un galimatías.
  • Haga muchas preguntas en el panel de discusión. ¡Mientras más, mejor!
  • Tenga en cuenta que la mayoría de los ejercicios le llevarán días o semanas completar.
  • Escriba el código usted mismo, no se quede ahí sentado y mire mi código.

¿EN QUÉ ORDEN DEBO TOMAR TUS CURSOS ?:

  • Consulte la conferencia "¿En qué orden debo tomar sus cursos?" (disponible en el Apéndice de cualquiera de mis cursos, incluido el curso gratuito de Numpy)
Etiquetasembolsar y potenciar en el aprendizaje automático embolsar el aprendizaje automático en conjunto aprendizaje en conjunto impulsar el aprendizaje en conjunto en el aprendizaje automático aprendizaje conjunto conjunto de python aprendizaje automático sitio del curso gratuito freecoursesite aumento de gradiente aprendizaje automático Aprendizaje automático algoritmos de aprendizaje automático aprendizaje automático Python tutorial de aprendizaje automático bosque aleatorio algoritmo de bosque aleatorio en Python bosque aleatorio en Python aprendizaje automático del bosque aleatorio bosque aleatorio Python ¿Qué es el método de conjunto en el aprendizaje automático?

.

Más Información

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

Subir

Este sitio web utiliza cookies para ofrecerle una mejor experiencia de navegación, si continua en navegando consideramos que acepta su uso.