Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Für viele Machine-Learning-Aufgaben reicht es nicht, ein Modell einfach out of the box laufen zu lassen und eine Vorhersage zu erhalten; du willst das beste Modell mit der genauesten Prognose. Eine Möglichkeit, dein Modell zu perfektionieren, ist Hyperparameter-Tuning, also das Optimieren der Einstellungen für dieses spezifische Modell. In diesem Kurs arbeitest du mit den Paketen caret, mlr und h2o, um mithilfe von Grid Search, Random Search, adaptivem Resampling und Automatic Machine Learning (AutoML) effizient die optimale Kombination von Hyperparametern zu finden. Außerdem arbeitest du mit unterschiedlichen Datensätzen und stimmst verschiedene überwachte Lernverfahren ab, etwa Random Forests, Gradient Boosting Machines, Support Vector Machines und sogar neuronale Netze. Mach dich bereit zum Tuning!
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Hyperparameter
Warum verwenden wir das seltsame Wort „Hyperparameter“? Was macht sie „hyper“? Hier verstehst du, was Modellparameter sind und warum sie sich im Machine Learning von Hyperparametern unterscheiden. Anschließend siehst du, warum wir sie abstimmen wollen und wie die Standardeinstellung von caret automatisch Hyperparameter-Tuning beinhaltet.
- Parameter vs. Hyperparameter50 XP
- Modellparameter vs. Hyperparameter100 XP
- Hyperparameter in linearen Modellen50 XP
- Was sind die Koeffizienten?100 XP
- Wiederholung der Grundlagen des maschinellen Lernens50 XP
- Machine Learning mit caret100 XP
- Resampling-Schemata50 XP
- Hyperparameter-Tuning mit caret50 XP
- Hyperparameter im Stochastic Gradient Boosting50 XP
- Die Anzahl der zu optimierenden Hyperparameter ändern100 XP
- Hyperparameter manuell abstimmen100 XP
2
Hyperparameter-Tuning mit caret
In diesem Kapitel lernst du, wie du Hyperparameter mit einem kartesischen Grid abstimmst. Danach setzt du schnellere und effizientere Ansätze um. Du verwendest Random Search und adaptives Resampling, um das Parameter-Grid so zu tunen, dass es sich auf Werte in der Nähe der optimalen Einstellungen konzentriert.
3
Hyperparameter-Tuning mit mlr
Hier verwendest du ein weiteres Machine-Learning-Paket mit sehr praktischen Funktionen für Hyperparameter-Tuning. Du definierst ein kartesisches Grid oder führst Random Search sowie fortgeschrittene Techniken durch. Außerdem lernst du verschiedene Möglichkeiten kennen, Modelle mit unterschiedlichen Hyperparametern zu visualisieren und zu evaluieren.
4
Hyperparameter-Tuning mit h2o
In diesem letzten Kapitel nutzt du h2o, ein weiteres Machine-Learning-Paket mit sehr praktischen Funktionen für Hyperparameter-Tuning. Du verwendest es, um verschiedene Modelle zu trainieren und ein kartesisches Grid zu definieren. Danach führst du eine Random Search mit Abbruchkriterien durch. Zum Schluss lernst du AutoML kennen, eine h2o-Schnittstelle, die sehr schnelles und bequemes Modell- und Hyperparameter-Tuning mit nur einer Funktion ermöglicht.
R
Hyperparameter-Tuning in R
Kurs
abgeschlossen
