परिचय

इस कोर्स में डिसिज़न ट्री और डिसिज़न फ़ॉरेस्ट के बारे में बताया गया है.

डिसिज़न फ़ॉरेस्ट, निगरानी में रखे गए मशीन लर्निंग मॉडल और एल्गोरिदम के ग्रुप से मिलकर बने हैं. इनसे ये फ़ायदे होते हैं:

  • न्यूरल नेटवर्क के मुकाबले, ये कॉन्फ़िगर करने में आसान होते हैं. डिसिज़न फ़ॉरेस्ट में कम हाइपरपैरामीटर होते हैं. इसके अलावा, फ़ैसले में जंगल के हाइपरपैरामीटर अच्छे डिफ़ॉल्ट के तौर पर काम करते हैं.
  • वे संख्या, कैटगरी, और ऐसी सुविधाओं को मूल रूप से मैनेज करते हैं जो मौजूद नहीं हैं. इसका मतलब है कि आप न्यूरल नेटवर्क का इस्तेमाल करने के मुकाबले, कम प्रीप्रोसेसिंग कोड लिख सकते हैं. इससे आपका समय बचता है और गड़बड़ी के सोर्स कम होते हैं.
  • ये अक्सर अच्छे नतीजे देते हैं, जो शोर वाले डेटा के लिए सटीक होते हैं और इनमें ऐसी प्रॉपर्टी होती हैं जिन्हें आसानी से समझा जा सकता है.
  • वे नर्वल नेटवर्क की तुलना में, छोटे डेटासेट (<10 लाख उदाहरण) का ज़्यादा तेज़ अनुमान लगाते हैं और उन्हें ट्रेनिंग देते हैं.

डिसिज़न फ़ॉरेस्ट, मशीन लर्निंग की प्रतियोगिताओं में बेहतरीन नतीजे देते हैं. कई उद्योगों में इसका इस्तेमाल किया जाता है. फ़ैसला लेने के लिए जो जंगल हैं वे कारगर, असरदार, और समझे जा सकने वाले हैं. निगरानी में रखे गए कई लर्निंग टास्क के लिए, डिसिज़न फ़ॉरेस्ट का इस्तेमाल किया जा सकता है. इनमें ये शामिल हैं:

इस कोर्स में जो भी कॉन्टेंट दिया गया है वह आम तौर पर किसी भी लाइब्रेरी में शामिल नहीं होता है. हालांकि, इस तरह के नारंगी बॉक्स में ऐसे कोड के उदाहरण होते हैं जो TensorFlow फ़ैसलों के फ़ॉरेस्ट (TF-DF) लाइब्रेरी का इस्तेमाल करते हैं. टीएफ़-डीएफ़ के लिए खास तौर पर बनाए गए उदाहरणों को अक्सर आसानी से दूसरी डिसिज़न फ़ॉरेस्ट लाइब्रेरी में बदला जा सकता है.

ज़रूरी शर्तें

यह कोर्स मान लेता है कि आपने इन कोर्स को पूरा कर लिया है या आपको इनके बराबर की जानकारी है:

हैपी लर्निंग!