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
Pour de nombreux problèmes de Machine Learning, exécuter un modèle tel quel pour obtenir une prédiction ne suffit pas ; vous voulez le meilleur modèle avec la prédiction la plus précise. Une façon d’y parvenir est d’optimiser les hyperparamètres, c’est-à-dire ajuster les réglages propres à ce modèle. Dans ce cours, vous utiliserez les packages caret, mlr et h2o pour trouver la combinaison optimale d’hyperparamètres de manière efficace grâce à la recherche par grille, la recherche aléatoire, le rééchantillonnage adaptatif et l’Automatic Machine Learning (AutoML). Vous travaillerez également sur différents jeux de données et optimiserez divers modèles supervisés, comme les forêts aléatoires, les gradient boosting machines, les machines à vecteurs de support et même les réseaux de neurones. Prêt à affiner vos modèles ?
Prérequis
Programme de formation
Plan du cours
1
Introduction aux hyperparamètres
Pourquoi utilise-t-on ce terme étrange « hyperparamètre » ? Qu’a-t-il d’« hyper » ? Ici, vous comprendrez ce que sont les paramètres d’un modèle et en quoi ils diffèrent des hyperparamètres en Machine Learning. Vous verrez ensuite pourquoi nous souhaitons les optimiser et comment la configuration par défaut de caret inclut automatiquement une optimisation des hyperparamètres.
- Paramètres vs hyperparamètres50 XP
- Paramètres du modèle vs hyperparamètres100 XP
- Hyperparamètres dans les modèles linéaires50 XP
- Quels sont les coefficients ?100 XP
- Rappel des bases du Machine Learning50 XP
- Machine Learning avec caret100 XP
- Schémas de rééchantillonnage50 XP
- Ajustement des hyperparamètres avec caret50 XP
- Hyperparamètres dans le Stochastic Gradient Boosting50 XP
- Modifier le nombre d’hyperparamètres à ajuster100 XP
- Ajuster les hyperparamètres manuellement100 XP
2
Optimisation des hyperparamètres avec caret
Dans ce chapitre, vous apprendrez à optimiser des hyperparamètres avec une grille cartésienne. Vous mettrez ensuite en œuvre des approches plus rapides et plus efficaces. Vous utiliserez la recherche aléatoire et le rééchantillonnage adaptatif pour explorer la grille de paramètres, en concentrant la recherche sur les valeurs proches des réglages optimaux.
3
Optimisation des hyperparamètres avec mlr
Ici, vous utiliserez un autre package de Machine Learning qui propose des fonctions très pratiques pour l’optimisation des hyperparamètres. Vous définirez une grille cartésienne ou effectuerez une recherche aléatoire, ainsi que des techniques avancées. Vous découvrirez aussi différentes manières de visualiser et d’évaluer des modèles selon leurs hyperparamètres.
4
Optimisation des hyperparamètres avec h2o
Dans ce dernier chapitre, vous utiliserez h2o, un autre package de Machine Learning offrant des fonctions très pratiques pour l’optimisation des hyperparamètres. Vous l’utiliserez pour entraîner différents modèles et définir une grille cartésienne. Ensuite, vous effectuerez une recherche aléatoire avec des critères d’arrêt. Enfin, vous découvrirez AutoML, une interface h2o qui permet une optimisation très rapide et pratique des modèles et de leurs hyperparamètres avec une seule fonction.
R
Optimisation des hyperparamètres en R
Cours
terminé
