In diesem Modul lernen Sie Bagging-Algorithmen kennen, d.h. Techniken, die Modelle gruppieren, um genauere Vorhersagen zu treffen. Die Lernenden lernen zunächst die Grundlagen des Bagging kennen und erfahren, warum es besser ist. Sie werden entdecken, wie diese Algorithmen funktionieren und warum Bootstrapping eine gute Idee ist. Als Nächstes tauchen sie tiefer in die Arten von Bagging-Algorithmen ein. Sie werden Random Forests, Extra Trees und die Verwendung von Bagging mit Klassifikatoren kennenlernen.

In diesem Modul werden die Teilnehmer das Wesen der Boosting-Techniken und ihre transformative Wirkung auf die Modellgenauigkeit verstehen lernen. Anschließend wird der Schwerpunkt auf AdaBoost gelegt, wobei der zugrundeliegende Algorithmus und die zentrale Rolle, die er bei dem iterativen Ansatz des Boosting spielt, untersucht werden. Anschließend lernen Sie Gradient Boosting Machines (GBM) kennen. In der letzten Lektion lernen Sie fortgeschrittene Varianten des Boosting-Algorithmus kennen: XGBoost, LightGBM und CatBoost.

Dieses Modul zum Thema "Kombinieren von Modellen" bietet den Lernenden einen kurzen, aber aufschlussreichen Einblick in den Bereich der Nutzung mehrerer Modelle für eine bessere Leistung. Die Lernenden erfahren, warum das Mischen von Modellen eine gute Idee ist. Sie werden sich mit den grundlegenden Konzepten des Stacking, Blending und der Aggregation auseinandersetzen.

In diesem Modul lernen Sie den wichtigen Prozess der Auswahl des richtigen Modells für maschinelles Lernen kennen. Das Modul beginnt damit, dass gezeigt wird, warum die Wahl des richtigen Modells wichtig ist. Die Teilnehmer lernen die Faktoren kennen, die sie bei der Auswahl des Modells berücksichtigen müssen. Sie erhalten einen praktischen Leitfaden, der ihnen bei der Auswahl des richtigen Modells hilft. Sie erfahren, worauf sie bei der Auswahl eines Modells achten müssen, einschließlich der Leistungskennzahlen.