Plan du cours

Introduction

  • Réseaux de neurones artificiels et algorithmes basés sur les arbres de décision

Aperçu des caractéristiques de XGBoost

  • Elements d'un algorithme de renforcement du gradient
  • Accent mis sur la vitesse de calcul et les performances du modèle
  • XGBoost vs Régression Logistique, Random Forest, et Gradient Boosting standard

L'évolution des algorithmes basés sur les arbres

  • Arbres de décision, Bagging, Random Forest, Boosting, Gradient Boosting
  • Optimisation du système
  • Améliorations algorithmiques

Préparation de l'environnement

  • Installer SciPy et scikit-learn

Création d'un modèle XGBoost

  • Téléchargement d'un jeu de données
  • Résolution d'un problème de classification courant
  • Entraîner le modèle XGBoost pour la classification
  • Résoudre un problème de régression courant

Suivi des performances

  • Évaluer et rapporter les performances
  • Arrêt précoce

Représentation graphique des caractéristiques en fonction de leur importance

  • Calcul de l'importance des caractéristiques
  • Décider des variables d'entrée à conserver ou à écarter

Configurer le renforcement du gradient

  • Examiner les courbes d'apprentissage sur les ensembles de données de formation et de validation
  • Ajuster le taux d'apprentissage
  • Ajuster le nombre d'arbres

Réglage des hyperparamètres

  • Améliorer les performances d'un modèle XGBoost
  • Concevoir une expérience contrôlée pour régler les hyperparamètres
  • Recherche de combinaisons de paramètres

Création d'un pipeline

  • Incorporer un modèle XGBoost dans un pipeline d'apprentissage automatique de bout en bout
  • Réglage des hyperparamètres dans le pipeline
  • Techniques avancées de prétraitement

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Expérience dans l'écriture de modèles d'apprentissage automatique

Audience

  • Scientifiques des données
  • Ingénieurs en apprentissage automatique
 14 heures

Nombre de participants


Prix par participant

Les formations ouvertes requièrent plus de 3 participants.

Cours à venir

Cours Similaires

AdaBoost Python for Machine Learning

 14 heures

Cette formation en France (en ligne ou sur site) s'adresse aux data scientists et aux ingénieurs logiciels qui souhaitent utiliser AdaBoost pour construire des algorithmes de boosting pour l'apprentissage automatique avec Python.

A l'issue de cette formation, les participants seront capables de :

  • Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec AdaBoost.
  • Comprendre l'approche de l'apprentissage ensembliste et comment implémenter le boosting adaptatif.
  • Apprendre à construire des modèles AdaBoost pour stimuler les algorithmes d'apprentissage automatique dans Python.
  • Utiliser le réglage des hyperparamètres pour augmenter la précision et les performances des modèles AdaBoost.
En savoir plus...

Machine Learning with Random Forest

 14 heures

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser Random Forest pour construire des algorithmes d'apprentissage automatique pour de grands ensembles de données.

A l'issue de cette formation, les participants seront capables de :

  • Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec Random forest.
  • Comprendre les avantages de Random Forest et comment l'implémenter pour résoudre des problèmes de classification et de régression.
  • Apprendre à traiter de grands ensembles de données et à interpréter plusieurs arbres de décision dans Random Forest.
  • Évaluer et optimiser les performances des modèles d'apprentissage automatique en réglant les hyperparamètres.
En savoir plus...

LightGBM for Machine Learning

 21 heures

Cette formation en direct dans France (en ligne ou sur site) est destinée aux développeurs et data scientists de niveau débutant à intermédiaire qui souhaitent apprendre les bases de LightGBM et explorer des techniques avancées.

A la fin de cette formation, les participants seront capables de :

  • Installer et configurer LightGBM.
  • Comprendre la théorie derrière les algorithmes de gradient boosting et d'arbre de décision.
  • Utiliser LightGBM pour des tâches d'apprentissage automatique basiques et avancées.
  • Mettre en œuvre des techniques avancées telles que l'ingénierie des caractéristiques, le réglage des hyperparamètres et l'interprétation des modèles.
  • Intégrer LightGBM avec d'autres frameworks d'apprentissage automatique.
  • Résoudre les problèmes courants dans LightGBM.
En savoir plus...