Cursos de XGBoost for Gradient Boosting
XGBoost es un conjunto basado en el árbol de decisión Machine Learning algoritmo. Utiliza un marco de aumento gradual para resolver problemas de predicción que involucran datos no estructurados como imágenes y texto. El boosting de gradiente es también una técnica popular para la modelación eficiente de los conjuntos de datos tabulares.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a científicos de datos que desean utilizar XGBoost para construir modelos que resuelvan eficazmente problemas de regresión, clasificación, clasificación y predicción.
Al final de este curso, los participantes podrán:
- Instalar y configurar XGBoost.
- Comprender la relación entre los árboles de decisión y otros algoritmos como la regresión logística y el bosque aleatorio.
- Probar diferentes bibliotecas para determinar la mejor para el trabajo.
- Seleccione la configuración correcta para un algoritmo.
- Tone los hiperparámetros de un algoritmo para un conjunto de datos dado.
- Implementar una solución de aprendizaje de máquina que equilibra el poder con la complejidad, la explicación y la facilidad de la implementación.
Formato del curso
- Lecciones y discusiones interactivas.
- Muchos ejercicios y prácticas.
- Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
- Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Programa del Curso
Introducción
- Redes neuronales artificiales frente a algoritmos basados en árboles de decisión
Descripción general de las características de XGBoost
- Elementos de un algoritmo de aumento de gradiente
- Centrarse en la velocidad computacional y el rendimiento del modelo
- XGBoost frente a regresión logística, Random Forest y aumento de gradiente estándar
La evolución de los algoritmos basados en árboles
- Árboles de decisión, embolsado, Random Forest, potenciación, potenciación de gradiente
- Optimización del sistema
- Mejoras algorítmicas
Preparación del entorno
- Instalación de SciPy y scikit-learn
Creación de un modelo XGBoost
- Descarga de un conjunto de datos
- Resolver un problema de clasificación común
- Entrenamiento del modelo XGBoost para la clasificación
- Resolver una tarea de regresión común
Supervisión del rendimiento
- Evaluación y presentación de informes sobre el rendimiento
- Parada temprana
Representación gráfica de entidades por importancia
- Cálculo de la importancia de la característica
- Decidir qué variables de entrada mantener o descartar
Configuración del aumento de gradiente
- Revisión de las curvas de aprendizaje en conjuntos de datos de entrenamiento y validación
- Ajuste de la tasa de aprendizaje
- Ajustar el número de árboles
Ajuste de hiperparámetros
- Mejorar el rendimiento de un modelo XGBoost
- Diseño de un experimento controlado para ajustar los hiperparámetros
- Searching combinaciones de parámetros
Creación de una canalización
- Incorporación de un modelo XGBoost en una canalización de aprendizaje automático de extremo a extremo
- Ajuste de hiperparámetros dentro de la canalización
- Técnicas avanzadas de preprocesamiento
Solución de problemas
Resumen y conclusión
Requerimientos
- Experiencia en la escritura de modelos de aprendizaje automático
Audiencia
- Científicos de datos
- Ingenieros de aprendizaje automático
Los cursos de formación abiertos requieren más de 5 participantes.
Cursos de XGBoost for Gradient Boosting - Booking
Cursos de XGBoost for Gradient Boosting - CONSULTA
XGBoost for Gradient Boosting - Consultas
Cursos Relacionados
H2O AutoML
14 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a científicos de datos que deseen usar H2O AutoML para automatizar el proceso de creación y selección del mejor algoritmo y parámetros de aprendizaje automático.
Al final de esta capacitación, los participantes serán capaces de:
- Automatice el flujo de trabajo de aprendizaje automático.
- Entrene y ajuste automáticamente muchos modelos de aprendizaje automático dentro de un intervalo de tiempo especificado.
- Entrene conjuntos apilados para llegar a modelos de conjuntos altamente predictivos.
AutoML con Auto-sklearn
14 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a profesionales del aprendizaje automático que desean usar Auto-sklearn para automatizar el proceso de selección y optimización de un modelo de aprendizaje automático.
Al final de esta capacitación, los participantes serán capaces de:
- Automatice el proceso de entrenamiento de modelos de aprendizaje automático altamente eficientes.
- Cree modelos de aprendizaje automático de alta precisión mientras evita las tareas más tediosas de seleccionar, entrenar y probar diferentes modelos.
- Utilice el poder del aprendizaje automático para resolver problemas empresariales del mundo real.
AutoML con Auto-Keras
14 horasEsta capacitación en vivo dirigida por un instructor en (en línea o en el sitio) está dirigida a científicos de datos, así como a personas menos técnicas que deseen utilizar Auto-Keras para automatizar el proceso de selección y optimización de un modelo de aprendizaje automático.
Al final de esta capacitación, los participantes serán capaces de:
- Automatice el proceso de entrenamiento de modelos de aprendizaje automático altamente eficientes.
- Busque automáticamente los mejores parámetros para los modelos de aprendizaje profundo.
- Cree modelos de aprendizaje automático de alta precisión.
- Utilice el poder del aprendizaje automático para resolver problemas empresariales del mundo real.
Introducción a Stable Diffusion para la generación de texto a imagen
21 horasEsta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores de visión por computadora que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.
Al final de esta capacitación, los participantes podrán:
- Comprender los principios de la Difusión Estable y cómo funciona para la generación de imágenes.
- Cree y entrene modelos de difusión estable para tareas de generación de imágenes.
- Aplique Difusión estable a diversos escenarios de generación de imágenes, como pintura interior, pintura exterior y traducción de imagen a imagen.
- Optimice el rendimiento y la estabilidad de los modelos de Stable Diffusion
Avanzado Stable Diffusion: Aprendizaje profundo para la generación de texto a imagen
21 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a científicos de datos de nivel intermedio a avanzado, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de texto a imagen.
Al final de esta capacitación, los participantes serán capaces de:
- Comprender arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de texto a imagen.
- Implemente modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
- Optimice el rendimiento y la escalabilidad para grandes conjuntos de datos y modelos complejos.
- Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
- Integre Stable Diffusion con otros marcos y herramientas de aprendizaje profundo
AlphaFold
7 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o presencial) está dirigida a biólogos que deseen comprender cómo funciona AlphaFold y usar modelos AlphaFold como guías en sus estudios experimentales.
Al final de esta capacitación, los participantes serán capaces de:
- Comprender los principios básicos de AlphaFold.
- Aprenda cómo funciona AlphaFold.
- Aprenda a interpretar AlphaFold las predicciones y los resultados.
TensorFlow Lite for Embedded Linux
21 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a desarrolladores que desean usar TensorFlow Lite para implementar modelos de aprendizaje profundo en dispositivos integrados.
Al final de esta capacitación, los participantes serán capaces de:
- Instala y configura Tensorflow Lite en un dispositivo integrado.
- Comprender los conceptos y componentes subyacentes TensorFlow Lite.
- Convierta los modelos existentes al formato TensorFlow Lite para ejecutarlos en dispositivos integrados.
- Trabaje dentro de las limitaciones de los dispositivos pequeños y TensorFlow Lite, mientras aprende a ampliar el alcance de las operaciones que se pueden ejecutar.
- Implemente un modelo de aprendizaje profundo en un dispositivo integrado que ejecute Linux.
TensorFlow Lite for Android
21 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a desarrolladores que desean utilizar TensorFlow Lite para desarrollar aplicaciones móviles con capacidades de aprendizaje profundo.
Al final de esta capacitación, los participantes serán capaces de:
- Instalar y configurar TensorFlow Lite.
- Comprende los principios detrás de TensorFlow, el aprendizaje automático y el aprendizaje profundo.
- Cargue modelos de TensorFlow en un dispositivo Android.
- Habilite la funcionalidad de aprendizaje profundo y aprendizaje automático, como la visión artificial y el reconocimiento de lenguaje natural en una aplicación móvil.
Tensorflow Lite for Microcontrollers
21 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a ingenieros que desean escribir, cargar y ejecutar modelos de aprendizaje automático en dispositivos integrados muy pequeños.
Al final de esta capacitación, los participantes serán capaces de:
- Instalar TensorFlow Lite.
- Cargue modelos de aprendizaje automático en un dispositivo integrado para permitirle detectar voz, clasificar imágenes, etc.
- Agregue IA a los dispositivos de hardware sin depender de la conectividad de red.
TensorFlow Lite for iOS
21 horasEsta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a desarrolladores que deseen utilizar TensorFlow Lite para desarrollar aplicaciones móviles iOS con capacidades de aprendizaje profundo.
Al final de esta capacitación, los participantes serán capaces de:
- Instalar y configurar TensorFlow Lite.
- Comprende los principios detrás de TensorFlow y el aprendizaje automático en dispositivos móviles.
- Cargue modelos de TensorFlow en un dispositivo iOS.
- Ejecute una aplicación iOS capaz de detectar y clasificar un objeto capturado a través de la cámara del dispositivo.
Edge AI with TensorFlow Lite
14 horasEsta capacitación en vivo dirigida por un instructor en Uruguay (en línea o en el sitio) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de IA que deseen aprovechar TensorFlow Lite para aplicaciones de IA perimetral.
Al final de esta capacitación, los participantes serán capaces de:
- Comprenda los fundamentos de TensorFlow Lite y su papel en Edge AI.
- Desarrolle y optimice modelos de IA con TensorFlow Lite.
- Implemente TensorFlow modelos Lite en varios dispositivos perimetrales.
- Utilice herramientas y técnicas para la conversión y optimización de modelos.
- Implemente aplicaciones prácticas de IA perimetral con TensorFlow Lite.