यह कोर्स डिसिज़न ट्री और डिसिज़न फ़ॉरेस्ट के बारे में जानकारी देता है.
डिसिज़न फॉरेस्ट, निगरानी में रखे गए लर्निंग मशीन मॉडल और एल्गोरिदम का एक परिवार है. इनसे ये फ़ायदे मिलते हैं:
- वे न्यूरल नेटवर्क के मुकाबले कॉन्फ़िगर करने में ज़्यादा आसान हैं. डिसिज़न फ़ॉरेस्ट में ज़्यादा हाइपरपैरामीटर होते हैं. इसके अलावा, फ़ैसले के जंगल में हाइपरपैरामीटर डिफ़ॉल्ट होते हैं.
- वे अंकों, कैटगरी, और मौजूद न होने वाली सुविधाओं को नेटिव तरीके से मैनेज करते हैं. इसका मतलब है कि आप न्यूरल नेटवर्क के इस्तेमाल के मुकाबले, प्री-प्रोसेसिंग कोड लिख सकते हैं. इससे, समय की बचत होती है और गड़बड़ी होने की संभावना कम होती है.
- ये अक्सर अच्छे नतीजे देते हैं, शोर वाले डेटा के लिए असरदार होते हैं, और इसकी प्रॉपर्टी एक जैसी होती हैं.
- वे छोटे नेटवर्क (<10 लाख उदाहरण) पर अनुमान लगाते हैं और न्यूरल नेटवर्क की तुलना में ज़्यादा तेज़ सीखते हैं.
फ़ैसला लेने के लिए जंगल, मशीन लर्निंग प्रतियोगिताओं में बेहतरीन नतीजे देते हैं. साथ ही, इनका इस्तेमाल कई औद्योगिक कामों में होता है. डिसिज़न फॉरेस्ट व्यावहारिक, असरदार, और समझने में आसान होते हैं. निगरानी में रखे गए सीखने-सिखाने के कई कामों के लिए, डिसिज़न फॉरेस्ट का इस्तेमाल किया जा सकता है. इनमें ये शामिल हैं:
इस कोर्स में शामिल कॉन्टेंट में, जंगल के बारे में साफ़ तौर पर जानकारी दी गई है. साथ ही, किसी भी लाइब्रेरी के बारे में कोई सवाल नहीं है. हालांकि, इस तरह के नारंगी बॉक्स में ऐसे कोड के उदाहरण होते हैं जो
TensorFlow फ़ैसले की जंगल (TF-DF) लाइब्रेरी का इस्तेमाल करते हैं. हालांकि, TF-DF के बारे में खास तौर पर बताया गया है, लेकिन ऐसे उदाहरणों को
आसानी से अन्य डिसिज़न फ़ॉरेस्ट लाइब्रेरी में बदला जा सकता है.
ज़रूरी शर्तें
इस कोर्स के लिए यह माना गया है कि आपने इन कोर्स को पूरा कर लिया है या आपको इनके बारे में जानकारी है:
सीखने के लिए शुभकामनाएं!