Plan du cours

Introduction

  • Aperçu des fonctionnalités et avantages de Random Forest
  • Compréhension des arbres de décision et des méthodes d'ensemble

Mise en place

  • Configuration des bibliothèques (Numpy, Pandas, Matplotlib, etc.)
  • Classification et régression dans les forêts aléatoires
  • Cas d'utilisation et exemples

Mise en œuvre de Random Forest

  • Préparation des jeux de données pour l'entraînement
  • Entraînement du modèle d'apprentissage automatique
  • Évaluation et amélioration de la précision

Ajustement des hyperparamètres dans Random Forest

  • Réalisation de validations croisées
  • Recherche aléatoire et recherche sur grille
  • Visualisation des performances du modèle d'entraînement
  • Optimisation des hyperparamètres

Bonnes pratiques et conseils de dépannage

Résumé et étapes suivantes

Pré requis

  • Une compréhension des concepts d'apprentissage automatique
  • Une expérience de programmation Python

Public cible

  • Data scientists
  • Ingénieurs logiciels
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires