Plan du cours

Introduction

  • Vue d'ensemble des caractéristiques et des avantages de Random Forest
  • Comprendre les arbres de décision et les méthodes d'ensemble

Mise en route

  • Installation des bibliothèques (Numpy, Pandas, Matplotlib, etc.)
  • Classification et régression dans les Random Forest
  • Cas d'utilisation et exemples

Mise en œuvre de Random Forest

  • Préparation des ensembles de données pour l'entraînement
  • Entraînement du modèle d'apprentissage automatique
  • Évaluation et amélioration de la précision

Réglage des hyperparamètres dans Random Forest

  • Effectuer des validations croisées
  • Recherche aléatoire et recherche en grille
  • Visualisation des performances du modèle d'apprentissage
  • Optimisation des hyperparamètres

Meilleures pratiques et conseils de dépannage

Résumé et prochaines étapes

Pré requis

  • Une compréhension des concepts d'apprentissage automatique
  • Une expérience de la programmation Python.

Audience

  • Scientifiques des données
  • Ingénieurs en logiciel
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires