Asas-asas XGBoost: Membina Gradient Boosted Decision Trees — PickAClass
⏱ 2 jam 42 min 📚 27 pelajaran

Asas-asas XGBoost: Membina Gradient Boosted Decision Trees

Ketahui cara membina, mengala, dan menilai model ramalan yang berkuasa menggunakan XGBoost dalam Python, sesuai untuk bakal saintis data dan penganalisis yang baru bermula dengan machine learning.

  • 💬 Pengajar AI
    Tanya tentang mana-mana pelajaran dan dapatkan jawapan jelas serta-merta, bila-bila masa.
  • 🕐 Mula bila-bila masa
    Tiada jadual atau tarikh akhir — belajar mengikut rentak sendiri, bila-bila masa.
  • 🌐 Dalam bahasa Melayu
    Pelajaran, tugasan dan sijil — semuanya sepenuhnya dalam bahasa anda.

Tentang kursus ini

Pemodelan ramalan ialah teras sains data moden, dan XGBoost merupakan salah satu algoritma paling berkuasa yang digunakan untuk menyelesaikan masalah klasifikasi dan regresi yang kompleks. Kursus berasaskan teks ini membimbing anda melalui konsep asas gradient boosted decision trees tanpa kerumitan matematik yang membebankan. Dengan membaca panduan terstruktur ini, anda akan beralih daripada memahami decision trees asas kepada melatih, mengala, dan menilai model XGBoost anda sendiri secara yakin menggunakan Python. Apa yang bakal anda pelajari: Memahami mekanik asas decision trees dan ensemble learning; Mengkonfigurasi dan melatih model XGBoost pertama anda menggunakan API scikit-learn; Mengala hiperparameter utama untuk mengelakkan overfitting dan meningkatkan pemodelan am; Mengendalikan data yang hilang dan pembolehubah kategori secara natif dalam XGBoost; Menilai prestasi model menggunakan metrik klasifikasi dan regresi moden. Kursus ini bermula dengan terminologi penting dan mekanik teras boosting sebelum beralih ke panduan kod praktikal. Anda akan maju daripada pelaksanaan model mudah kepada strategi pengalaan lanjutan dan teknik penilaian model. Kursus ini direka untuk penganalisis data permulaan, bakal saintis data, dan pengaturcara yang mempunyai kebiasaan asas dengan Python tetapi baru dalam machine learning dan gradient boosting. Mula membaca hari ini untuk membuka kuasa gradient boosted decision trees untuk projek data anda.

Kandungan kursus

Apa yang anda dapat

  • 📜 Sijil tamat
    Tambah ke profil LinkedIn anda
  • 💬 Tutor AI peribadi
    Tersekat dalam pelajaran? Tanya tutor terbina dalam kamu apa sahaja, bila-bila masa.
  • ♾️ Akses seumur hidup
    Kembali bila-bila masa, tiada tamat tempoh
  • 📱 Telefon atau komputer
    Berfungsi di mana-mana, mana-mana peranti
  • 💸 Pulangan 14 hari
    Tanpa soalan
  • ⚡ Pendek dan fokus
    2 jam 42 min kandungan praktikal

Sijil tamat

Setiap kursus yang anda tamatkan di PickAClass mengeluarkan kelayakan seperti ini — asli, dengan kodnya sendiri, boleh disahkan melalui URL, dan terperinci tentang apa yang sebenarnya ditunjukkan.

P
PickAClass
Profil kemahiran · boleh disahkan
Dokumen
Sijil Kemahiran
Ini mengesahkan bahawa
Nama Penuh
telah berjaya menunjukkan penguasaan
Asas-asas XGBoost: Membina Gradient Boosted Decision Trees
Kemahiran yang ditunjukkan
✓
Analisis pola tingkah laku
Asas
1.2 jam
✓
Rangka kerja seni bina keputusan
Mahir
1.4 jam
✓
Reka bentuk ujian A/B
Mahir
1.7 jam
✓
Penulisan salinan tingkah laku
Lanjutan
1.9 jam
P
PickAClass — Nama Penuh
Asas-asas XGBoost: Membina Gradient Boosted Decision Trees
Halaman 2 daripada 2
Perincian prestasi
Ringkasan kerja kursus
Pelajaran selesai 14 / 14
Soalan latihan 26 / 28
Tugasan dihantar 4 (purata 4,5 / 5)
Projek capstone Disemak — 4,6 / 5
Jumlah latihan 6.2 jam
Penanda aras prestasi
Kedudukan kohort 12% teratas daripada 1,625
Masa hingga tamat 11 hari (median: 22)
Skor penguasaan 91 / 100
Skor soalan latihan 94%
Pengesahan kemahiran Laluan Kemahiran disahkan
Sahkan kelayakan ini
pickaclass.com/certificates/PCC-2026-X4F7-AP19
Dikeluarkan di bawah piawaian akademik PickAClass. Tahap kemahiran mencerminkan prestasi dinilai terhadap rubrik kecekapan kursus. Ini kelayakan asli platform ini.

Ulasan

Belum ada ulasan — jadilah yang pertama berkongsi pengalaman anda.

Tulis ulasan

☆☆☆☆☆
Selepas hantar kami akan meminta anda log masuk — draf disimpan.

Pelajar lain juga mengambil

Soalan lazim

Apa yang saya perlukan untuk mengikuti kursus ini? +

Hanya telefon atau komputer dengan internet. Tiada pemasangan, tiada perkakasan khas.

Bagaimana untuk membayar? +

Dengan kad melalui Stripe. Kami tidak menyimpan butiran kad — Stripe menguruskannya dengan selamat.

Bolehkah saya dapatkan bayaran balik? +

Ya — pulangan penuh dalam 14 hari, tanpa soalan.

Berapa lama saya akan mempunyai akses? +

Selamanya. Setelah membeli, kursus adalah milik anda — boleh lawat semula bila-bila masa.

Adakah saya akan mendapat sijil? +

Ya. Setelah tamat, anda akan menerima sijil yang boleh ditambah ke profil LinkedIn anda.

Direka untuk pelajar dalam
Teknologi Reka bentuk Kewangan Pemasaran Kesihatan Pendidikan Hospitaliti Pembuatan