Per seguire il modulo Alberi decisionali e metodi di ensemble sono necessarie competenze preliminari specifiche di Python, Pandas, Numpy, Scikit-learn, Data Visualization.
MODULO DIDATTICO
Alberi decisionali e metodi di ensemble
Approfondimento su alberi decisionali e metodi di ensemble, includendo teoria, applicazioni pratiche e tecniche avanzate.
LIVELLO
Da Beginner ad Advanced
PREREQUISITI
Python per la ds, Pandas, Numpy, Scikit-learn, Data visualization
DURATA TOTALE
6 ore
LEZIONI
100% on demand
PUOI TROVARE
QUESTO MODULO DIDATTICO IN
- DURATA TOTALE:20 ORE
- LIVELLO:Intermedio
- PREREQUISITO:Skill su Python, Pandas, Numpy, Scikit-learn, Data visualization
297€
Descrizione
La trattazione copre alberi decisionali e metodi di ensemble, iniziando con concetti base come Gini impurity, entropia e information gain. Include applicazioni pratiche su dataset Iris e Bill Authentication.
Approfondisce ensemble learning, random forest, boosting, Adaboost, gradient boosting e XGBoost, con esercitazioni dettagliate. Esamina anche Catboost e la sua applicazione al dataset Titanic, offrendo un’esperienza completa e bilanciata tra teoria e pratica.
Elenco lezioni del modulo
- Alberi Decisionali
- Gini impurity
- Entropy and Information Gain in Decision Trees
- Alberi decisionali su dataset Iris
- Partizionamento spazio decisionale con alberi
- Ensemble learning e random forest
- Random Forest su dataset Bill Authentication
- Boosting
- Adaboost
- Gradient Boosting
- Esercitazione Gradient Boosting
- Cenni su XGBoost
- Esercitazione con XGBoost
- Cenni su Catboost
- Catboost su dataset Titanic
- Esercitazione su algoritmi di ensemble