Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Baumbasierte Machine-Learning-Modelle können komplexe, nichtlineare Zusammenhänge in Daten aufdecken und dominieren oft ML-Wettbewerbe. In diesem Kurs nutzt du das Paket tidymodels, um verschiedene baumbasierte Modelle zu erkunden und zu bauen – von einfachen Entscheidungsbäumen bis hin zu komplexen Random Forests. Außerdem lernst du Boosted Trees kennen, eine leistungsstarke Technik des Ensemble Learning, mit der sich sehr starke Prognosemodelle erstellen lassen. Unterwegs arbeitest du mit Gesundheits- und Kreditausfalldaten, um das Auftreten von Diabetes und Kundenabwanderung vorherzusagen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Klassifikationsbäume
Bereit, eine echte Machine-Learning-Pipeline zu bauen? Bearbeite Schritt-für-Schritt-Übungen, um Entscheidungsbäume zu erstellen, deine Daten zu splitten und vorherzusagen, welche Patientinnen und Patienten am wahrscheinlichsten an Diabetes erkranken. Zum Schluss baust du Leistungskennzahlen auf, um deine Modelle zu bewerten und Vorhersagen einzuordnen.
- Willkommen im Kurs!50 XP
- Warum baumbasierte Methoden?100 XP
- Spezifiziere diesen Baum100 XP
- Trainiere das Modell100 XP
- So wächst dein Baum50 XP
- Train/Test-Split100 XP
- Klassenungleichgewichte vermeiden100 XP
- Vom Start zum Profi100 XP
- Vorhersagen und evaluieren50 XP
- Vorhersagen erstellen100 XP
- Die Matrix knacken100 XP
- Triffst du die richtigen Vorhersagen?100 XP
2
Regressionsbäume und Cross-Validation
Lust auf etwas Süßes? Nutze einen Datensatz mit Schokoladenbewertungen, um Regressionsbäume zu bauen und ihre Leistung mit geeigneten Fehlermassen zu beurteilen. Statistische Unsicherheiten einzelner Train/Test-Splits überwindest du mit süßen Techniken wie Cross-Validation und tauchst dann noch tiefer in den Bias-Variance-Trade-off ein.
3
Hyperparameter und Ensemble-Modelle
Zeit, die Hyperparameter ernsthaft zu tunen und ROC-Kurven (Receiver Operating Characteristic) zu interpretieren. In diesem Kapitel nutzt du die Weisheit der Vielen mit Ensemble-Modellen wie Bagging oder Random Forests und baust Ensembles, die vorhersagen, welche Kreditkartenkundinnen und -kunden am ehesten abwandern.
4
Boosted Trees
Bereit für die Königsklasse der baumbasierten Modelle? Setze Gradient Boosting ein, um starke Ensembles zu erstellen, die alles Bisherige übertreffen. Lerne, wie du sie feinabstimmst und verschiedene Modelle vergleichst, um eine Gewinnerlösung für die Produktion auszuwählen.
R
Maschinelles Lernen mit baumbasierten Modellen in R
Kurs
abgeschlossen
