Schulungsübersicht

Einführung

  • Überblick über die Merkmale und Vorteile von Random Forest
  • Verständnis von Entscheidungsbäumen und Ensemble-Methoden

Erste Schritte

  • Einrichten der Bibliotheken (Numpy, Pandas, Matplotlib, usw.)
  • Klassifizierung und Regression in Random Forests
  • Anwendungsfälle und Beispiele

Umsetzung Random Forest

  • Vorbereiten von Datensätzen für das Training
  • Training des maschinellen Lernmodells
  • Bewertung und Verbesserung der Genauigkeit

Abstimmung der Hyperparameter in Random Forest

  • Durchführung von Kreuzvalidierungen
  • Zufällige Suche und Gittersuche
  • Visualisierung der Leistung des Trainingsmodells
  • Optimieren von Hyperparametern

Bewährte Praktiken und Tipps zur Fehlerbehebung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis für Konzepte des maschinellen Lernens
  • Python Programmiererfahrung

Publikum

  • Datenwissenschaftler
  • Software-Ingenieure
  14 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Erfahrungsberichte (3)

Kombinierte Kurse

Verwandte Kategorien