AdaBoost w Pythonie dla uczenia maszynowego

Opis

Szkolenie koncentruje się na praktycznym wykorzystaniu algorytmu AdaBoost w uczeniu maszynowym przy użyciu języka Python. Podczas warsztatów uczestnicy poznają teoretyczne podstawy boosting’u oraz nabędą praktyczne umiejętności implementacji i dostrajania modeli AdaBoost. Program łączy teorię z intensywnymi ćwiczeniami praktycznymi, wykorzystując rzeczywiste przypadki użycia i zbiory danych.

Profil uczestnika

• Data Scientists rozpoczynający pracę z algorytmami ensemble
• Analitycy danych chcący poszerzyć swoje umiejętności
• Programiści Python zainteresowani uczeniem maszynowym
• Inżynierowie ML pracujący nad problemami klasyfikacji
• Specjaliści ds. analizy danych
• Badacze zajmujący się uczeniem maszynowym

Agenda

1. Podstawy teoretyczne
• Wprowadzenie do metod ensemble
• Teoria boosting’u
• Matematyczne podstawy AdaBoost
• Porównanie z innymi algorytmami
2. Implementacja w Pythonie
• Biblioteki scikit-learn i Python
• Przygotowanie danych
• Implementacja klasyfikatorów bazowych
• Strojenie parametrów modelu
3. Zaawansowane techniki
• Różne warianty AdaBoost
• Obsługa danych niezbalansowanych
• Techniki regularyzacji
• Interpretacja modelu
4. Wdrożenie i optymalizacja
• Ocena wydajności modelu
• Diagnostyka i debugowanie
• Optymalizacja hiperparametrów
• Najlepsze praktyki produkcyjne

Korzyści

Uczestnik zdobędzie dogłębną wiedzę teoretyczną i praktyczną na temat algorytmu AdaBoost i jego zastosowań w uczeniu maszynowym. Będzie potrafił samodzielnie implementować i dostrajać modele AdaBoost w języku Python. Nauczy się skutecznie dobierać parametry modelu do konkretnych przypadków użycia. Pozna techniki oceny i interpretacji wyników działania algorytmu AdaBoost. Zdobędzie umiejętność diagnozowania i rozwiązywania problemów związanych z implementacją modeli. Będzie potrafił wdrażać modele AdaBoost w środowisku produkcyjnym.

Wymagane przygotowanie uczestników

• Znajomość podstaw uczenia maszynowego
• Doświadczenie w programowaniu w języku Python
• Podstawowa znajomość statystyki i algebry liniowej
• Ogólna wiedza o algorytmach klasyfikacji

Zagadnienia

• Teoria boosting’u
• Algorytm AdaBoost
• Klasyfikatory bazowe
• Przygotowanie danych
• Strojenie parametrów
• Ocena wydajności modelu
• Interpretacja wyników
• Diagnostyka i debugowanie
• Optymalizacja hiperparametrów
• Warianty AdaBoost
• Obsługa danych niezbalansowanych
• Wdrożenie produkcyjne

Poznaj naszą firmę