After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Sebagai ilmuwan data atau ilmuwan pembelajaran mesin, membangun model pembelajaran mesin yang kuat sangat bergantung pada kumpulan hiperparameter yang digunakan. Namun, dengan model yang semakin kompleks dan memiliki banyak opsi, bagaimana cara menemukan pengaturan terbaik untuk masalah spesifik Anda secara efisien? Jawabannya adalah penyesuaian hiperparameter!
Pelajari perbedaan antara hyperparameter dan parameter, serta praktik terbaik dalam menetapkan dan menganalisis nilai hyperparameter. Fondasi ini akan mempersiapkan Anda untuk memahami pentingnya hiperparameter dalam model pembelajaran mesin.
Anda akan diperkenalkan pada Random Search, dan mempelajari keunggulannya dibandingkan Grid Search, seperti efisiensi dalam ruang parameter yang besar.
Teknik pencarian yang terinformasi ini dijelaskan melalui contoh-contoh praktis, memungkinkan Anda untuk membandingkan dan membedakan teknik-teknik tersebut dengan metode pencarian yang tidak terinformasi. Pada akhirnya, Anda akan memiliki pemahaman yang komprehensif tentang cara mengoptimalkan hiperparameter secara efektif untuk meningkatkan kinerja model..
Hiperparameter vs. parameter
Dapatkan pengalaman praktis dalam menggunakan berbagai metode untuk penyesuaian hiperparameter otomatis di Python dengan Scikit-Learn.Pelajari perbedaan antara hyperparameter dan parameter, serta praktik terbaik dalam menetapkan dan menganalisis nilai hyperparameter. Fondasi ini akan mempersiapkan Anda untuk memahami pentingnya hiperparameter dalam model pembelajaran mesin.
Pencarian grid
Kuasai beberapa teknik penyesuaian hiperparameter, mulai dari Grid Search. Menggunakan data default kartu kredit, Anda akan berlatih melakukan Grid Search untuk mencari secara menyeluruh kombinasi hiperparameter terbaik dan menafsirkan hasilnya.Anda akan diperkenalkan pada Random Search, dan mempelajari keunggulannya dibandingkan Grid Search, seperti efisiensi dalam ruang parameter yang besar.
Pencarian yang terinformasi
Pada bagian akhir kursus ini, Anda akan mempelajari metode optimasi lanjutan, seperti algoritma Bayesian dan algoritma genetika.Teknik pencarian yang terinformasi ini dijelaskan melalui contoh-contoh praktis, memungkinkan Anda untuk membandingkan dan membedakan teknik-teknik tersebut dengan metode pencarian yang tidak terinformasi. Pada akhirnya, Anda akan memiliki pemahaman yang komprehensif tentang cara mengoptimalkan hiperparameter secara efektif untuk meningkatkan kinerja model..
Prasyarat
Kurikulum
Garis besar kursus
1
Hyperparameter dan Parameter
Pada bab pengantar ini Anda akan mempelajari perbedaan antara hyperparameter dan parameter. Anda akan berlatih mengekstrak dan menganalisis parameter, serta menetapkan nilai hyperparameter untuk beberapa algoritme Machine Learning populer. Sepanjang jalan Anda akan mempelajari beberapa kiat praktik terbaik untuk memilih hyperparameter mana yang perlu disetel, nilai apa yang harus ditetapkan, serta membangun kurva pembelajaran untuk menganalisis pilihan hyperparameter Anda.
- Pengantar & 'Parameter'50 XP
- Parameter dalam Logistic Regression50 XP
- Mengekstrak parameter Logistic Regression100 XP
- Mengekstrak parameter Random Forest100 XP
- Pengenalan Hyperparameter50 XP
- Hyperparameter pada Random Forest50 XP
- Mengeksplorasi Hyperparameter Random Forest100 XP
- Hyperparameter KNN100 XP
- Menetapkan dan Menganalisis Nilai Hyperparameter50 XP
- Mengotomatisasi Pemilihan Hyperparameter100 XP
- Membangun Kurva Pembelajaran100 XP
2
Grid Search
Bab ini memperkenalkan Anda pada metodologi populer untuk penyetelan hyperparameter otomatis yang disebut Grid Search. Anda akan mempelajari apa itu, bagaimana cara kerjanya, dan berlatih melakukan Grid Search menggunakan Scikit Learn. Anda kemudian akan belajar cara menganalisis keluaran dari Grid Search dan memperoleh pengalaman praktis dalam melakukannya.
3
Random Search
Dalam bab ini Anda akan diperkenalkan pada metodologi populer lain untuk penyetelan hyperparameter otomatis yang disebut Random Search. Anda akan mempelajari apa itu, bagaimana cara kerjanya, dan yang terpenting bagaimana perbedaannya dari grid search. Anda akan mempelajari beberapa kelebihan dan kekurangan metode ini serta kapan memilih metode ini dibandingkan Grid Search. Anda akan berlatih melakukan Random Search dengan Scikit Learn serta memvisualisasikan dan menafsirkan keluarannya.
4
Informed Search
Pada bab terakhir ini Anda akan mengenal metodologi penyetelan hyperparameter yang lebih lanjut yang dikenal sebagai "informed search". Ini mencakup metodologi yang dikenal sebagai Coarse To Fine serta algoritme penyetelan hyperparameter Bayesian & Genetic. Anda akan mempelajari bagaimana informed search berbeda dari uninformed search dan memperoleh keterampilan praktis dengan setiap metodologi yang disebutkan, sambil membandingkan dan mengontraskannya.
Penyetelan Hyperparameter di Python
Kursus
Selesai
