Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
En tant que spécialiste des données ou du machine learning, la création de modèles de machine learning performants dépend fortement de l'ensemble d'hyperparamètres utilisés. Cependant, avec des modèles de plus en plus complexes et comportant de nombreuses options, comment identifier efficacement les paramètres les plus adaptés à votre situation particulière ? La solution réside dans l'ajustement des hyperparamètres.
Apprenez la différence entre les hyperparamètres et les paramètres, ainsi que les meilleures pratiques pour définir et analyser les valeurs des hyperparamètres. Ces bases vous permettront de comprendre l'importance des hyperparamètres dans les modèles d'apprentissage automatique.
Vous découvrirez la recherche aléatoire et apprendrez ses avantages par rapport à la recherche par grille, tels que son efficacité dans les grands espaces de paramètres.
Ces techniques de recherche éclairées sont illustrées à l'aide d'exemples pratiques, ce qui vous permet de les comparer et de les contraster avec des méthodes de recherche non éclairées. À la fin, vous aurez acquis une compréhension approfondie de la manière d'optimiser efficacement les hyperparamètres afin d'améliorer les performances du modèle..
Hyperparamètres et paramètres
Acquérez une expérience pratique en utilisant diverses méthodologies pour le réglage automatisé des hyperparamètres dans Python avec Scikit-Learn.Apprenez la différence entre les hyperparamètres et les paramètres, ainsi que les meilleures pratiques pour définir et analyser les valeurs des hyperparamètres. Ces bases vous permettront de comprendre l'importance des hyperparamètres dans les modèles d'apprentissage automatique.
Recherche par grille
Maîtrisez plusieurs techniques de réglage des hyperparamètres, en commençant par la recherche par grille. À l'aide des données relatives aux défauts de paiement par carte de crédit, vous vous exercerez à effectuer une recherche par grille afin de trouver de manière exhaustive les meilleures combinaisons d'hyperparamètres et d'interpréter les résultats.Vous découvrirez la recherche aléatoire et apprendrez ses avantages par rapport à la recherche par grille, tels que son efficacité dans les grands espaces de paramètres.
Recherche éclairée
Dans la dernière partie du cours, vous explorerez des méthodes d'optimisation avancées, telles que les algorithmes bayésiens et génétiques.Ces techniques de recherche éclairées sont illustrées à l'aide d'exemples pratiques, ce qui vous permet de les comparer et de les contraster avec des méthodes de recherche non éclairées. À la fin, vous aurez acquis une compréhension approfondie de la manière d'optimiser efficacement les hyperparamètres afin d'améliorer les performances du modèle..
Prérequis
Programme de formation
Plan du cours
1
Hyperparamètres et paramètres
Dans ce chapitre d’introduction, vous apprendrez la différence entre hyperparamètres et paramètres. Vous vous exercerez à extraire et analyser des paramètres, puis à définir des valeurs d’hyperparamètres pour plusieurs algorithmes de Machine Learning courants. Au passage, vous verrez des bonnes pratiques pour choisir quels hyperparamètres optimiser, quelles valeurs tester, et vous construirez des courbes d’apprentissage pour analyser vos choix.
- Introduction et « Paramètres »50 XP
- Paramètres dans la régression logistique50 XP
- Extraire un paramètre de régression logistique100 XP
- Extraire un paramètre d’un Random Forest100 XP
- Introduction aux hyperparamètres50 XP
- Hyperparamètres dans les Random Forests50 XP
- Explorer les hyperparamètres de Random Forest100 XP
- Hyperparamètres de KNN100 XP
- Définir et analyser les valeurs d’hyperparamètres50 XP
- Automatiser le choix des hyperparamètres100 XP
- Construire des courbes d’apprentissage100 XP
2
Grid Search
Ce chapitre vous présente une méthode populaire d’optimisation automatique des hyperparamètres appelée Grid Search. Vous verrez de quoi il s’agit, comment cela fonctionne, et vous pratiquerez une Grid Search avec Scikit Learn. Vous apprendrez ensuite à analyser les résultats d’une Grid Search et vous entraînerez sur des exemples concrets.
3
Random Search
Dans ce chapitre, vous découvrirez une autre méthode populaire d’optimisation automatique des hyperparamètres : la Random Search. Vous verrez ce que c’est, comment elle fonctionne et, surtout, en quoi elle diffère de la grid search. Vous étudierez ses avantages et ses limites, et quand la privilégier par rapport à la Grid Search. Vous pratiquerez une Random Search avec Scikit Learn, ainsi que la visualisation et l’interprétation des résultats.
4
Informed Search
Dans ce dernier chapitre, vous aurez un aperçu de méthodes plus avancées d’optimisation des hyperparamètres, regroupées sous le terme « informed search ». Cela inclut une approche dite « coarse to fine », ainsi que des algorithmes bayésiens et génétiques. Vous verrez en quoi l’informed search se distingue de l’uninformed search et acquerrez des compétences pratiques sur chacune des approches mentionnées, en les comparant au fil du chapitre.
Optimisation des hyperparamètres en Python
Cours
terminé
