Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
En muchos problemas de machine learning, ejecutar un modelo tal cual y obtener una predicción no basta; quieres el mejor modelo con la predicción más precisa. Una forma de perfeccionarlo es el ajuste de hiperparámetros, que consiste en optimizar la configuración específica de ese modelo. En este curso, trabajarás con los paquetes caret, mlr y h2o para encontrar la combinación óptima de hiperparámetros de forma eficiente usando búsqueda en cuadrícula, búsqueda aleatoria, remuestreo adaptativo y automatic machine learning (AutoML). Además, trabajarás con distintos conjuntos de datos y ajustarás diferentes modelos de aprendizaje supervisado, como random forests, gradient boosting machines, support vector machines e incluso redes neuronales. ¡Prepárate para afinar!
Requisitos previos
Programa de formación
Esquema del curso
1
Introducción a los hiperparámetros
¿Por qué usamos la extraña palabra «hiperparámetro»? ¿Qué lo hace “hiper”? Aquí entenderás qué son los parámetros de un modelo y por qué son diferentes de los hiperparámetros en machine learning. Después verás por qué conviene ajustarlos y cómo la configuración predeterminada de caret incluye automáticamente el ajuste de hiperparámetros.
- Parámetros vs hiperparámetros50 XP
- Parámetros del modelo vs. hiperparámetros100 XP
- Hiperparámetros en modelos lineales50 XP
- ¿Cuáles son los coeficientes?100 XP
- Repaso de los fundamentos de Machine Learning50 XP
- Machine learning con caret100 XP
- Esquemas de remuestreo50 XP
- Ajuste de hiperparámetros en caret50 XP
- Hiperparámetros en Stochastic Gradient Boosting50 XP
- Cambiar el número de hiperparámetros a ajustar100 XP
- Ajusta hiperparámetros manualmente100 XP
2
Ajuste de hiperparámetros con caret
En este capítulo, aprenderás a ajustar hiperparámetros con una cuadrícula cartesiana. Luego, aplicarás enfoques más rápidos y eficientes. Utilizarás Random Search y remuestreo adaptativo para ajustar la cuadrícula de parámetros, concentrándote en valores cercanos a la configuración óptima.
3
Ajuste de hiperparámetros con mlr
Aquí usarás otro paquete de machine learning que ofrece funciones muy prácticas para ajustar hiperparámetros. Definirás una cuadrícula cartesiana o realizarás Random Search, además de técnicas avanzadas. También aprenderás distintas formas de visualizar y evaluar modelos con diferentes hiperparámetros.
4
Ajuste de hiperparámetros con h2o
En este último capítulo, usarás h2o, otro paquete de machine learning con funciones muy prácticas para ajustar hiperparámetros. Lo utilizarás para entrenar distintos modelos y definir una cuadrícula cartesiana. Después, implementarás una Random Search usando criterios de parada. Por último, aprenderás AutoML, una interfaz de h2o que permite un ajuste muy rápido y cómodo de modelos e hiperparámetros con una sola función.
R
Ajuste de hiperparámetros en R
Curso
completado
