رختهای تصمیمگیری شفاف هستند، در هر پلتفرمی موجودند و پایهای برای تکنیکهای پیشرفتهتر مانند جنگل تصادفی (Random Forests) و XGBoost محسوب میشوند. اگر شما یک دانشمند داده هستید که به دنبال ورود به یادگیری ماشین هستید، درختهای تصمیمگیری یکی از بهترین موضوعات برای شروع هستند. در این دوره، اصول یادگیری ماشین مرتبط با تحلیلهای پیشبینی و کار با درختهای تصمیمگیری را یاد خواهید گرفت. مدرس کیت مککورمیک در طول دوره، با استفاده از پلتفرم KNIME Analytics، نمایشهایی ارائه میدهد تا شما بتوانید این مفاهیم را در سناریوهای واقعی درک کنید.
اهداف یادگیری این دوره عبارتند از:
- درک نحوه عملکرد درختهای تصمیمگیری: با مشاهده نمایشها با استفاده از پلتفرم KNIME Analytics
- ساخت درخت تصمیمگیری: با استفاده از KNIME Decision Tree Learner (C4.5)
- مدیریت دادههای گمشده و متغیرهای مختلف: درک نحوه مدیریت دادههای گمشده، متغیرهای اسمی و متغیرهای پیوسته توسط C4.5
- تسلط بر الگوریتم درخت دستهبندی و رگرسیون (CART): که میتواند با هر پلتفرم یادگیری ماشین از جمله R و Python استفاده شود
- پیشبینی با استفاده از درخت رگرسیون: استفاده از یک درخت رگرسیون برای پیشبینی مقدار یک ستون هدف عددی
- ارزیابی دقت مدلها: ارزیابی دقت یک درخت رگرسیون، یک درخت CART و یک درخت C4.5