|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ensemble-machine-learning-python/
课程评论：没有评论
课程名称：Máster Especialista en Machine Learning Ensemble con Python 概述：该课程旨在深入探讨机器学习中的集成模型，尤其是通过使用Python实现Bagging、Boosting和Stacking等技术。课程由马努埃尔·卡斯蒂略博士授课，适合希望在机器学习领域进一步发展的学生和专业人士。报名课程前建议具备机器学习基本知识。 课程描述：欢迎参加Máster Especialista en Machine Learning Ensemble con Python课程。本课程专为希望深入研究机器学习中的集成模型的学员设计。集成模型通过结合多个机器学习模型的预测以提高预测性能，是广泛应用于各行业的强大技术。学员将学习集成模型的理论基础和实际应用，重点是使用流行的库（如scikit-learn和XGBoost）进行实操训练。课程将涵盖超参数选择、模型评估以及在分类和回归问题上的应用，还包括实际案例研究和项目实践，以帮助学员积累真实世界的机器学习解决方案经验。 课程内容概览： - **模块I**：基础知识，介绍机器学习概念和Python快速入门。 - **模块II**：模型阶段，包括机器学习算法和性能评估。 - **模块III**：机器学习项目，覆盖多类分类、回归和二元分类项目。 - **模块IV**：多重集成模型，介绍相关代码和动态选择技术。 - **模块V**：Bagging模型，涵盖Random Forest、ExtraTrees等。 - **模块VI**：Boosting模型，学习AdaBoost、XGBoost等。 - **模块VII**：Stacking模型，涵盖投票、加权平均和集成选择。 - **模块VIII**：无监督学习，学习基础算法和优化聚类数目。 课程特点：本课程提供全高清的视频、教学文章、可下载资源以及终身访问权限，完成后可获得结业证书。学员可在网上得到导师的指导，并参与私人学习社区，与全球其他学员分享经验。这种灵活的学习方式使每位学员能够根据自己的需求和时间进行学习。 如果你希望成为机器学习领域的专家，该课程将是你的理想选择。加入我们，共享这一学习旅程！
Máster Especialista en Machine Learning Ensemble con Python.Modelos Ensemblados en Machine Learning. Bagging, Boosting y Stacking. Aprendizaje Automático. Data Science con Python.Instructores: PhD. Manuel Castillo-Cara. Requisitos: Antes de realizar el curso se recomienda encarecidamente tener conocimientos sobre Machine Learning. Este es el curso continuación del también curso de Udemy llamado:Machine Learning con Python. Aprendizaje Automático Avanzado - Aprendizaje Automático Scikit-Learn en Python. Modelos Predictivos. Data Science. RDe básico a Experto.Descripción del Curso:Bienvenido al curso Máster Especialista en Machine Learning Ensemble con Python. Este curso avanzado está diseñado para estudiantes y profesionales que desean profundizar en el mundo de los modelos ensemble en el contexto del machine learning utilizando Python. Los modelos ensemble, que combinan las predicciones de múltiples modelos de machine learning para mejorar el rendimiento predictivo, son una técnica poderosa y ampliamente utilizada en la industria.Durante este curso, los participantes explorarán los fundamentos teóricos y prácticos de los modelos ensemble, incluyendo Bagging, Boosting y Stacking. Se pondrá un énfasis particular en la implementación práctica utilizando bibliotecas populares como scikit-learn y XGBoost.Los estudiantes aprenderán a seleccionar y ajustar hiperparámetros de modelos ensemble para optimizar su rendimiento, así como a evaluar el rendimiento de estos modelos utilizando métricas estándar y técnicas de validación cruzada.Además, el curso proporcionará oportunidades para aplicar modelos ensemble a una variedad de problemas de machine learning, incluyendo clasificación y regresión, y explorará casos de uso reales en diferentes industrias.Los participantes también tendrán la oportunidad de trabajar en proyectos prácticos y estudios de casos que les permitirán desarrollar habilidades prácticas para implementar soluciones de machine learning basadas en modelos ensemble en entornos del mundo real.Contenidos del Curso:MÓDULO I. Introducción.Conceptos básicos de machine learning.Jupyter Notebook como nuestro entorno de machine learning.Curso rápido de Python.MÓDULO II. Fase de modeladoAlgoritmos de Machine Learning.Rendimiento de los algoritmos.Algoritmos Taxonomía Lineal y No LinealAlgoritmos Taxonomía EnsambleExamen tipo test sobre los contenidos del módulo.MÓDULO III. Proyectos de machine learningTrabajar un proyecto de clasificación multiclaseTrabajar un proyecto de regresión.Trabajar un proyecto de clasificación binaria.MÓDULO IV. Modelos Ensemble MúltiplesOne-vs-Rest.Códigos de salida con corrección de errores.Modelos de regresión de múltiples salidas.Selección de clasificador dinámico.Seleccion dinamica de ensemblesMÓDULO V. Modelos Ensemble BaggingBagging.Random Subspace.Feature Selection Subspace.Random Forest.ExtraTrees.Data Transform Bagging.MÓDULO VI. Modelos Ensemble BoostingAdaBoostGradient Boost MachineXGBoostLightGBMMÓDULO VII. Modelos Ensemble StackingVotingWeighted AverageSeleccion Miembros ConjuntoStackingBlendingSuper LearnerMÓDULO VIII. Aprendizaje No SupervisadoAprendizaje No supervisado.Algoritmos de Aprendizaje No Supervisado.Determinar el número óptimo de clústers.Proyecto de Aprendizaje No Supervisado.Características del Curso:Recuerda que esta formación incluye lecciones en vídeo fullHD con audio de estudio (compatible con TV, PC, Mac, tablet y smartphone), artículos didácticos, actividades, proyectos paso a paso, recursos descargables, links de interés, acceso de por vida, certificado de finalización, tutorización online, y una exclusiva comunidad de aprendizaje privada que nos ayudamos aportando nuestras experiencias en el foro de comunicación del curso. Con esta formación disfrutarás aprendiendo desde dónde quieras, sin tener que desplazarte, sin horarios, con quién quieras, según tus necesidades y disponibilidad. Aprenderás con un instructor avalado por miles da alumnos satisfechos en todo el mundo (comentarios certificados). Conocerás las técnicas, métodos, trucos y flujos de trabajo de este sector creativo. El docente te transmitirá su sabiduría y conocimientos con pasión a la vez que las explicaciones concisas, claras, sencillas y con un enfoque profesional en cada clase. Podrás conseguir un certificado homologado personalizado y firmado por tu instructor en cada formación. De está forma podrás compartir tu título en tu portafolio, currículo, en redes sociales.Con la alta definición de los vídeos (vídeo fullHD y audio de estudio) conseguirá no te perder detalle. Podrás ver las clases las veces que requieras para recordar y perfeccionar tus habilidades como diseñador. Tendrás la posibilidad de preguntar, pedir opinión y ayuda al instructor, además de compartir tu experiencia de aprendizaje con los demás alumnos del curso, tan apasionados como tú, repartidos por todo el mundo. Seleccionamos cuidadosamente los contenidos y producimos cada curso para garantizar una experiencia de aprendizaje online integral y de la máxima calidad. ¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación.
