- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.997
Автор: linkedin
Название: Прикладное машинное обучение: ансамблевое обучение (2022)
Описание:
Applied Machine Learning: Ensemble Learning
linkedin
Вы хотите развить свои навыки в качестве специалиста по машинному обучению, но не знаете, с чего начать? Вам не нужно никакого формального обучения в области науки о данных, чтобы начать работать над достижением своей цели. В этом курсе инструктор Дерек Джедамски покажет вам, как использовать беспорядочные данные, находить в них сигнал и строить модели, которые делают мощные прогнозы с помощью ансамблевых учащихся, одного из наиболее распространенных классов алгоритмов машинного обучения.
Ознакомьтесь с основами конвейера машинного обучения, чтобы узнать, какое место в нем занимают обучающиеся ансамбля. Узнайте о лежащей в основе теории, которая движет учащимися в ансамбле, ознакомьтесь с примерами обучения в ансамбле в Python, а затем реализуйте свои собственные модели. Изучите такие концепции, как повышение, бэггинг и стекирование, а также как их использовать и когда. Получите инструменты, необходимые для повышения вашей способности прогнозирования и улучшения навыков машинного обучения уже сегодня.
Материал на английском языке
Подробнее:
Скачать:
Название: Прикладное машинное обучение: ансамблевое обучение (2022)
Описание:
Applied Machine Learning: Ensemble Learning
Вы хотите развить свои навыки в качестве специалиста по машинному обучению, но не знаете, с чего начать? Вам не нужно никакого формального обучения в области науки о данных, чтобы начать работать над достижением своей цели. В этом курсе инструктор Дерек Джедамски покажет вам, как использовать беспорядочные данные, находить в них сигнал и строить модели, которые делают мощные прогнозы с помощью ансамблевых учащихся, одного из наиболее распространенных классов алгоритмов машинного обучения.
Ознакомьтесь с основами конвейера машинного обучения, чтобы узнать, какое место в нем занимают обучающиеся ансамбля. Узнайте о лежащей в основе теории, которая движет учащимися в ансамбле, ознакомьтесь с примерами обучения в ансамбле в Python, а затем реализуйте свои собственные модели. Изучите такие концепции, как повышение, бэггинг и стекирование, а также как их использовать и когда. Получите инструменты, необходимые для повышения вашей способности прогнозирования и улучшения навыков машинного обучения уже сегодня.
Материал на английском языке
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытый контент для пользователей All-dar.