Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Como científico de datos o de machine learning, la creación de potentes modelos de machine learning depende en gran medida del conjunto de hiperparámetros utilizados. Pero con modelos cada vez más complejos y con muchas opciones, ¿cómo encontrar de manera eficiente la mejor configuración para tu problema particular? ¡La respuesta es el ajuste de hiperparámetros!
Aprende la diferencia entre hiperparámetros y parámetros, así como las mejores prácticas para establecer y analizar los valores de los hiperparámetros. Esta base te preparará para comprender la importancia de los hiperparámetros en los modelos de machine learning.
) Se te presentará la búsqueda aleatoria y aprenderás sus ventajas con respecto a la búsqueda por cuadrícula, como la eficiencia en espacios de parámetros grandes.
Estas técnicas de búsqueda informada se muestran mediante ejemplos prácticos, lo que te permite compararlas y contrastarlas con métodos de búsqueda no informados. Al finalizar, tendrás un conocimiento exhaustivo sobre cómo optimizar los hiperparámetros de forma eficaz para mejorar el rendimiento del modelo..
Hiperparámetros frente a parámetros
Adquiere experiencia práctica utilizando diversas metodologías para el ajuste automatizado de hiperparámetros en Python con Scikit-Learn.Aprende la diferencia entre hiperparámetros y parámetros, así como las mejores prácticas para establecer y analizar los valores de los hiperparámetros. Esta base te preparará para comprender la importancia de los hiperparámetros en los modelos de machine learning.
Búsqueda por parilla
Domina varias técnicas de ajuste de hiperparámetros, empezando por la búsqueda por parilla. Utilizando datos de impagos de tarjetas de crédito, practicarás la búsqueda por cuadrícula (Grid Search) para buscar de forma exhaustiva las mejores combinaciones de hiperparámetros e interpretar los resultados. Búsqueda aleatoria () Se te presentará la búsqueda aleatoria y aprenderás sus ventajas con respecto a la búsqueda por cuadrícula, como la eficiencia en espacios de parámetros grandes.
Búsqueda informada
En la parte final del curso, explorarás métodos avanzados de optimización, como los algoritmos bayesianos y genéticos.Estas técnicas de búsqueda informada se muestran mediante ejemplos prácticos, lo que te permite compararlas y contrastarlas con métodos de búsqueda no informados. Al finalizar, tendrás un conocimiento exhaustivo sobre cómo optimizar los hiperparámetros de forma eficaz para mejorar el rendimiento del modelo..
Requisitos previos
Programa de formación
Contenido del curso
1
Hiperparámetros y parámetros
En este capítulo introductorio aprenderás la diferencia entre hiperparámetros y parámetros. Practicarás extrayendo y analizando parámetros, y configurando valores de hiperparámetros para varios algoritmos populares de Machine Learning. Por el camino, aprenderás consejos y trucos de buenas prácticas para decidir qué hiperparámetros ajustar, qué valores probar y cómo construir curvas de aprendizaje para analizar tus elecciones.
- Introducción y «parámetros»50 XP
- Parámetros en la regresión logística50 XP
- Extraer un parámetro de Logistic Regression100 XP
- Extraer un parámetro de Random Forest100 XP
- Introducción a los hiperparámetros50 XP
- Hiperparámetros en Random Forests50 XP
- Explorando los hiperparámetros de Random Forest100 XP
- Hiperparámetros de KNN100 XP
- Definir y analizar valores de hiperparámetros50 XP
- Automatizar la elección de hiperparámetros100 XP
- Construir curvas de aprendizaje100 XP
2
Grid search
Este capítulo te presenta una metodología popular de ajuste automático de hiperparámetros llamada Grid Search. Verás qué es, cómo funciona y practicarás cómo realizar un Grid Search con Scikit Learn. Después aprenderás a analizar el resultado de un Grid Search y ganarás experiencia práctica haciéndolo.
3
Random Search
En este capítulo conocerás otra metodología popular de ajuste automático de hiperparámetros llamada Random Search. Verás qué es, cómo funciona y, sobre todo, en qué se diferencia de grid search. Conocerás algunas ventajas e inconvenientes de este método y cuándo elegirlo frente a Grid Search. Practicarás cómo realizar un Random Search con Scikit Learn, además de visualizar e interpretar los resultados.
4
Informed Search
En este capítulo final tendrás una muestra de metodologías más avanzadas de ajuste de hiperparámetros conocidas como "informed search". Incluye una metodología llamada de grueso a fino (Coarse To Fine), así como algoritmos de ajuste bayesianos y genéticos. Verás en qué se diferencia informed search de uninformed search y adquirirás habilidades prácticas con cada una de las metodologías mencionadas, comparándolas sobre la marcha.
Ajuste de hiperparámetros en Python
Curso
completado
