تکنیک های Boosting

آنچه یاد خواهید گرفت:

تکنیک های Boosting، متدهای قدرتمندی برای افزایش دقت مدل‌های یادگیری ماشین هستند که با ترکیب چند یادگیرنده ضعیف به پیش‌بینی‌کننده‌های قوی تبدیل می‌شوند. ایجاد مدل‌های یادگیری ماشین دقیق می‌تواند چالش‌برانگیز باشد، به‌ویژه هنگام برخورد با خطاهای بایاس، واریانس و تأثیر متقابل ویژگی‌ها. بنابراین استفاده از تکنیک‌های پیشرفته یادگیری جمعی برای بهبود عملکرد پیش‌بینی ضروری است.

در این دوره با عنوان تکنیک های Boosting، یاد می‌گیرید چگونه الگوریتم‌های قدرتمند Boosting مانند XGBoost ،LightGBM و CatBoost را پیاده‌سازی، بهینه‌سازی و تفسیر کنید.

ابتدا با مفاهیم پایه یادگیری جمعی آشنا می‌شوید و Boosting را با تکنیک هایی مانند Bagging و Stacking مقایسه می‌کنید.

سپس می‌آموزید چگونه مدل‌های Boosting را برای تسک های طبقه‌بندی و رگرسیون بسازید و ارزیابی کنید. همچنین نحوه استفاده از تسریع با GPU و مدیریت مؤثر داده‌های دسته‌ای را خواهید دید.

در نهایت، یاد می‌گیرید چگونه هایپرپارامترها را به دقیت تیون کنید و با استفاده از مقادیر SHAP، پیش‌بینی‌های مدل را تفسیر کرده و اهمیت ویژگی‌ها را ارزیابی نمایید.

پس از پایان این دوره، مهارت‌ها و دانش لازم برای تکنیک های boosting مدل‌های با عملکرد بالا را خواهید داشت که دقت پیش‌بینی را ارتقا داده و به تصمیم‌گیری مبتنی بر داده کمک می‌کنند.