หลักสูตรนี้ประกอบด้วย 2 ส่วนต่อไปนี้
- ข้อมูลเบื้องต้นเกี่ยวกับ Decision Forests ซึ่งเป็นหลักสูตรที่คุณกําลังดูอยู่
- Advanced Decision Forests ซึ่งจะเปิดตัวภายหลังในปี 2022
หลักสูตรนี้จะแนะนําต้นไม้แห่งการตัดสินใจและป่าการตัดสินใจ
ป่าแห่งการตัดสินใจคือตระกูลของโมเดลและอัลกอริทึมแมชชีนเลิร์นนิงที่มีการควบคุมดูแล มีประโยชน์ดังนี้
- ซึ่งกําหนดค่าได้ง่ายมากกว่าโครงข่ายระบบประสาทเทียม ป่าที่ตัดสินใจมีไฮเปอร์พารามิเตอร์น้อยเกินไป ยิ่งไปกว่านั้น ไฮเปอร์พารามิเตอร์ในป่าไม้ที่นํามาคํานวณได้จะมีค่าเริ่มต้นที่ดี
- ฟีเจอร์เหล่านี้จะจัดการเองทั้งฟีเจอร์ตัวเลข หมวดหมู่ และที่ขาดหายไป ซึ่งหมายความว่าคุณสามารถเขียนโค้ดก่อนการประมวลผลได้น้อยกว่าการใช้เครือข่ายระบบประสาท ซึ่งช่วยประหยัดเวลาและลดแหล่งที่มาของข้อผิดพลาด
- และมักมีผลการค้นหาที่ดีตั้งแต่แกะกล่อง มีข้อมูลสัญญาณรบกวนสูง และมีพร็อพเพอร์ตี้ที่ตีความได้
- โดยการอนุมานและการฝึกอบรมชุดข้อมูลขนาดเล็ก (ตัวอย่าง 1 ล้านรายการ) เร็วกว่าเครือข่ายระบบประสาท
ป่าแห่งการตัดสินใจนําไปสู่ผลลัพธ์ที่ยอดเยี่ยมในการแข่งขันด้านแมชชีนเลิร์นนิง และถูกนําไปใช้งานในอุตสาหกรรมหลายๆ ด้านอย่างหนัก ป่าการตัดสินใจมีประโยชน์ มีประสิทธิภาพ และเข้าใจง่าย คุณสามารถใช้พื้นที่การตัดสินใจสําหรับงานด้านการเรียนรู้ที่มีการควบคุมดูแลมากมาย ซึ่งรวมถึงงานต่อไปนี้
เนื้อหาในหลักสูตรนี้เป็นเนื้อหาทั่วไปสําหรับป่าการตัดสินใจและไม่จําเป็นต้องเข้าถึงคลังที่เจาะจง แต่ช่องสีส้มอย่างตัวอย่างนี้มีตัวอย่างโค้ดที่ใช้ไลบรารี TensorFlow Decision Forests (TF-DF) แม้ว่า TF-DF จะเฉพาะเจาะจง แต่ตัวอย่างเหล่านี้มักแปลงเป็นไลบรารีป่าการตัดสินใจอื่นๆ ได้ง่าย
สิ่งที่ต้องมีก่อน
หลักสูตรนี้จะถือว่าคุณผ่านหลักสูตรต่อไปนี้หรือมีความรู้ที่เทียบเท่ากัน
- หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง
- การจัดกรอบปัญหาแมชชีนเลิร์นนิง
- การจัดเตรียมข้อมูลและวิศวกรรมฟีเจอร์
ขอให้สนุกกับการเรียนรู้