Concept
Forêt d'arbres décisionnels
Séances de cours associées (50)
Modèles de régression : rendement et évaluation
Explore les performances du modèle de régression, les erreurs d'apprentissage et la construction d'arbres de régression à l'aide de l'algorithme CART.
Classification de l'arbre de décision
Couvre la classification de l'arbre de décision à l'aide de KNIME Analytics Platform pour le prétraitement des données et la création de modèles.
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Aborder le suréquipement dans les arbres de décision
Explore le surajustement dans les arbres de décision et introduit des forêts aléatoires comme solution.
Arbres de décision: Classification
Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.
Ensachage et forêts aléatoires
Couvre l'ensemblage, l'ensachage, les forêts aléatoires, l'importance variable et la validation croisée OOB dans l'apprentissage automatique.
Apprentissage supervisé : arbre k-NN et arbre de décision
Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.
Méthodes de l'ensemble : Forêts aléatoires
Couvre les méthodes d'ensemble comme les forêts aléatoires et les baies de Naive de Gaussian, expliquant comment elles améliorent la précision de prédiction et estimer les distributions gaussiennes conditionnelles.
Introduction à la science des données
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Arbres de décision et de régression
Explore les arbres de décision et de régression, les mesures d'impuretés, les algorithmes d'apprentissage et les implémentations, y compris les arbres d'inférence conditionnelle et la taille des arbres.