Programa del Curso

Introducción

  • Redes neuronales artificiales frente a algoritmos basados en árboles de decisión

Descripción general de las características de XGBoost

  • Elementos de un algoritmo de aumento de gradiente
  • Centrarse en la velocidad computacional y el rendimiento del modelo
  • XGBoost frente a regresión logística, Random Forest y aumento de gradiente estándar

La evolución de los algoritmos basados en árboles

  • Árboles de decisión, embolsado, Random Forest, potenciación, potenciación de gradiente
  • Optimización del sistema
  • Mejoras algorítmicas

Preparación del entorno

  • Instalación de SciPy y scikit-learn

Creación de un modelo XGBoost

  • Descarga de un conjunto de datos
  • Resolver un problema de clasificación común
  • Entrenamiento del modelo XGBoost para la clasificación
  • Resolver una tarea de regresión común

Supervisión del rendimiento

  • Evaluación y presentación de informes sobre el rendimiento
  • Parada temprana

Representación gráfica de entidades por importancia

  • Cálculo de la importancia de la característica
  • Decidir qué variables de entrada mantener o descartar

Configuración del aumento de gradiente

  • Revisión de las curvas de aprendizaje en conjuntos de datos de entrenamiento y validación
  • Ajuste de la tasa de aprendizaje
  • Ajustar el número de árboles

Ajuste de hiperparámetros

  • Mejorar el rendimiento de un modelo XGBoost
  • Diseño de un experimento controlado para ajustar los hiperparámetros
  • Searching combinaciones de parámetros

Creación de una canalización

  • Incorporación de un modelo XGBoost en una canalización de aprendizaje automático de extremo a extremo
  • Ajuste de hiperparámetros dentro de la canalización
  • Técnicas avanzadas de preprocesamiento

Solución de problemas

Resumen y conclusión

Requerimientos

  • Experiencia en la escritura de modelos de aprendizaje automático

Audiencia

  • Científicos de datos
  • Ingenieros de aprendizaje automático
 14 horas

Número de participantes



Precio por participante

Cursos Relacionados

H2O AutoML

14 horas

AutoML con Auto-sklearn

14 horas

AutoML con Auto-Keras

14 horas

Avanzado Stable Diffusion: Aprendizaje profundo para la generación de texto a imagen

21 horas

Introducción a Stable Diffusion para la generación de texto a imagen

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

Categorías Relacionadas