آموزش مدل سازی پیش بینی پیشرفته: تسلط بر گروه ها و مدل سازی

سرفصل ها و درس ها

مقدمه Introduction

• دقیق ترین مدل های یادگیری ماشین The most accurate machine learning models

• آنچه باید بدانید What you should know

1. مفاهیم کلیدی مدل سازی 1. Key Modeling Concepts

• گروه موسیقی برنده جایزه نتفلیکس شد Ensemble wins Netflix Prize

• یک گروه چیست؟ What is an ensemble?

• انواع مدل ها و الگوریتم های مدل سازی Types of models and modeling algorithms

• انواع گروه ها Types of ensembles

2. درک خطای مدل 2. Understanding Model Error

• اندازه گیری دقت مدل: برآورد ارزش Measuring model accuracy: Value estimation

• درک خطای مدل: طبقه بندی Understanding model error: Classification

3. گروههای ساده ناهمگن 3. Simple Heterogeneous Ensembles

• پشتهسازی Stacking

• رأی گیری برای طبقه بندی Voting for classification

4- تجارت تعصب واریانس 4. The Bias-Variance Tradeoff

• تجزیه خطا Error decomposition

• تجسم تعصب و واریانس Visualizing bias and variance

• نفرین ابعاد Curse of dimensionality

• آیا تیغ اوسام همیشه درست است؟ Is Occam's Razor always true?

5. اصول اساسی الگوریتم 5. Ensemble Algorithms Fundamentals

• جمع بندی بوت استرپ چیست؟ What is Bootstrap aggregating?

• تقویت چیست و چگونه کار می کند؟ What is Boosting and how does it work?

• نمایش نمایشی شیب Gradient boosting demo

6. الگوریتم های مهم گروه 6. Important Ensemble Algorithms

• جنگل تصادفی Random forest

• جستجوی مدل توسط bumping Model search by bumping

• AdaBoost ، XGBoost ، Light GBM ، CatBoost AdaBoost, XGBoost, Light GBM, CatBoost

• سوپر یادگیرنده ، زیر مجموعه ، StackNet Super Learner, Subsemble, StackNet

• اکنون چه افرادی کار می کنند؟ What are people working on now?

7. مطالعات موردی گروه و متا مدل سازی 7. Ensemble and Meta-Modeling Case Studies

• ترکیب نظارت و نظارت Combining supervised and unsupervised

• مسیریابی موارد به مدلهای مختلف Routing cases to different models

نتیجه Conclusion

• مراحل بعدی Next steps