آموزش یادگیری ماشینی با XGBoost با استفاده از یادگیری scikit در پایتون

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

معرفی فرایندهای اساسی Introducing Essential Processes

• بررسی اجمالی ماژول Module Overview

• چرا باید این دوره را بگذرانید؟ Why Take This Course?

• بررسی اجمالی دوره Course Overview

• مهارت های توصیه شده برای این دوره Skills Recommended for This Course

• درخت تصمیم The Decision Tree

• Ensemble Boosting Ensemble Boosting

• تقویت گرادیان Gradient Boosting

• تظاهرات XGBoost XGBoost Demonstration

• خلاصه Summary

آماده سازی داده ها برای افزایش شیب Preparing Data for Gradient Boosting

• بررسی اجمالی ماژول Module Overview

• سلسله مراتب هوش مصنوعی The AI Hierarchy

• دو نوع یادگیری The Two Types of Learning

• آرایه The Array

• فرایند یادگیری ماشین Machine Learning Process

• درگیری مجموعه داده Wrangling the dataset

• خلاصه Summary

امتیاز دادن به مدلهای XGBoost Scoring XGBoost Models

• بررسی اجمالی ماژول Module Overview

• تقسیم قطار/تست Train / Test Split

• طبقه بندی و رگرسیون Classification and Regression

• اعتبار سنجی K-Fold K-Fold Cross Validation

• توقف زودهنگام Early Stopping

• اعتبار سنجی و نمره گذاری Validation and Scoring Demonstration

• خلاصه Summary

ذخیره مدل آموزش دیده Saving the Trained Model

• بررسی اجمالی ماژول Module Overview

• سریال سازی Serialization

• ترشی Pickle

• در حال ذخیره در JSON Saving to JSON

• مشکلات ترشی Pickle Problems

• ذخیره مدلها برای نمایش دیسک Saving Models to Disk Demonstration

• خلاصه Summary

انتخاب ویژگی ها در افزایش شیب Selecting Features in Gradient Boosting

• بررسی اجمالی ماژول Module Overview

• انتخاب ویژگی تعریف شده است Feature Selection Defined

• الگوریتم های انتخاب ویژگی Feature Selection Algorithms

• اهمیت ویژگی Feature Importance

• ساخت ویژگی Feature Construction

• نمایش انتخاب ویژگی Feature Selection Demonstration

• خلاصه Summary

• خلاصه دوره Course Summary