Schulungsübersicht

Einführung

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

Erste Schritte

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

Implementierung von Random Forest

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

Abstimmung der Hyperparameter in Random Forest

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

Best Practices und Tipps zur Fehlerbehebung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Konzepten des maschinellen Lernens
  • Python Programmiererfahrung

Zielgruppe

  • Datenwissenschaftler
  • Software-Ingenieure
 14 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Kommende Kurse

Verwandte Kategorien