机器学习之集成学习理论与代码实践

中阶

理解集成学习的基本概念,能够编码实现各种集成模型

更新: 近三个月

收藏( 7 下载课程 二维码 下载学院APP 缓存视频离线看 学习社群 二维码 关注公众号 加入官方群

377 学习人数 1小时31分钟 12课时
课程权益 15分钟内无条件退款 1、仅限付费视频课程适用
2、购买后15分钟内可以找到客服进行沟通退款
3、下载资料后不再享有退款特权
4、客服(Tel:400-101-1651)

24小时内答疑 随时随地观看课程 专属资料下载
  • 课程介绍
  • 课程大纲
  • 其他课程 7
  • 专题套餐

适合人群:

对机器学习感兴趣的人,想深入集成模型原理的人

课程目标:

理解集成学习的基本概念,能够编码实现各种集成模型

课程简介:

学习本课程前,需学习前面的课程:如逻辑回归,决策树,SVM等分类算法。

本课程详细讲解了集成学习的主要方法:Voting、Bagging、Boosting和Stacking。每一种集成方法都配有详细的代码讲解。能够使用集成模型完成分类或回归任务。

07集成学习.PNG

展开更多

课程大纲-机器学习之集成学习理论与代码实践

资料下载
  • 1

    开课简介 开课简介

    「仅限付费用户」点击下载“EnsembleLearning.rar”

    [01:27] 开始学习
  • 2

    机器学习知识体系 机器学习知识体系

    [06:45] 开始学习
  • 3

    机器学习流程 机器学习流程

    [01:38] 开始学习
  • 4

    集成学习简介 集成学习简介

    [04:11] 开始学习
  • 5

    Voting能够提高准确率的原因 Voting能够提高准确率的原因

    [05:55] 开始学习
  • 6

    hard voting和soft voting hard voting和soft voting

    [09:24] 开始学习
  • 7

    Bagging Bagging

    [12:16] 开始学习
  • 8

    Boosting之Adaboost Boosting之Adaboost

    [12:52] 开始学习
  • 9

    Adaboost举例说明 Adaboost举例说明

    [13:07] 开始学习
  • 10

    使用sklearn实现Adaboost 使用sklearn实现Adaboost

    [04:16] 开始学习
  • 11

    梯度提升树 梯度提升树

    [09:14] 开始学习
  • 12

    stacking原理及实现 stacking原理及实现

    [10:00] 开始学习
仅需¥68.00
关注公众号 领VIP会员
下次再说

点击打包下载,即可获取该课程全部资料

打包下载
充电节满减满200减20 满300减30 满500减50
是否单独购买该课程?
直接购买 去凑单
在线
客服
APP
下载

下载Android客户端

下载iphone 客户端

官方
微信

关注官方微信

返回
顶部