After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Come scienziato dei dati o dell'apprendimento automatico, la creazione di modelli di apprendimento automatico efficaci dipende molto dall'insieme di iperparametri usati. Ma con modelli sempre più complicati e un sacco di opzioni, come fai a trovare in modo efficiente le impostazioni migliori per il tuo problema specifico? La risposta è la regolazione degli iperparametri!
Scopri la differenza tra iperparametri e parametri e le migliori pratiche per impostare e analizzare i valori degli iperparametri. Queste basi ti aiuteranno a capire l'importanza degli iperparametri nei modelli di machine learning.
) Ti parleranno della ricerca casuale e scoprirai i suoi vantaggi rispetto alla ricerca a griglia, tipo l'efficienza in spazi di parametri grandi.
Queste tecniche di ricerca informata vengono mostrate con esempi pratici, così puoi confrontarle con i metodi di ricerca non informati. Alla fine, avrai una comprensione completa di come ottimizzare efficacemente gli iperparametri per migliorare le prestazioni del modello..
Iperparametri vs. parametri
Fai pratica con diverse tecniche per la regolazione automatica degli iperparametri in Python con Scikit-Learn.Scopri la differenza tra iperparametri e parametri e le migliori pratiche per impostare e analizzare i valori degli iperparametri. Queste basi ti aiuteranno a capire l'importanza degli iperparametri nei modelli di machine learning.
Ricerca a griglia
Impara diverse tecniche di ottimizzazione degli iperparametri, iniziando con la ricerca a griglia. Usando i dati relativi ai casi di insolvenza delle carte di credito, ti eserciterai a fare la ricerca a griglia (Grid Search) per trovare le migliori combinazioni di iperparametri e capire i risultati. Ricerca casuale () Ti parleranno della ricerca casuale e scoprirai i suoi vantaggi rispetto alla ricerca a griglia, tipo l'efficienza in spazi di parametri grandi.
Ricerca informata
Nella parte finale del corso, esplorerai metodi di ottimizzazione avanzati, come gli algoritmi bayesiani e genetici.Queste tecniche di ricerca informata vengono mostrate con esempi pratici, così puoi confrontarle con i metodi di ricerca non informati. Alla fine, avrai una comprensione completa di come ottimizzare efficacemente gli iperparametri per migliorare le prestazioni del modello..
Prerequisiti
Curriculum
Programma del corso
1
Iperparametri e parametri
In questo capitolo introduttivo imparerai la differenza tra iperparametri e parametri. Farai pratica nell’estrazione e analisi dei parametri e nell’impostare i valori degli iperparametri per diversi algoritmi di Machine Learning popolari. Lungo il percorso scoprirai consigli pratici e trucchi su quali iperparametri ottimizzare, quali valori provare e come costruire learning curve per analizzare le tue scelte.
- Introduzione e "Parametri"50 XP
- Parametri nella Regressione Logistica50 XP
- Estrazione di un parametro della Logistic Regression100 XP
- Estrarre un parametro di Random Forest100 XP
- Introduzione agli iperparametri50 XP
- Iperparametri nei Random Forest50 XP
- Esplorare gli iperparametri di Random Forest100 XP
- Iperparametri di KNN100 XP
- Impostare e analizzare i valori degli iperparametri50 XP
- Automatizzare la scelta degli iperparametri100 XP
- Costruire le learning curve100 XP
2
Grid search
Questo capitolo ti presenta una metodologia molto usata per l’ottimizzazione automatica degli iperparametri chiamata Grid Search. Imparerai cos’è, come funziona e farai pratica a eseguire una Grid Search con Scikit Learn. Vedrai poi come analizzare l’output di una Grid Search e farai esperienza pratica nel farlo.
3
Random Search
In questo capitolo ti verrà presentata un’altra metodologia molto diffusa per l’ottimizzazione automatica degli iperparametri chiamata Random Search. Imparerai cos’è, come funziona e, soprattutto, in cosa differisce dalla grid search. Vedrai vantaggi e svantaggi di questo metodo e quando preferirlo rispetto alla Grid Search. Farai pratica a eseguire una Random Search con Scikit Learn e a visualizzare e interpretare l’output.
4
Informed Search
In questo capitolo finale assaggerai metodologie più avanzate di ottimizzazione degli iperparametri note come "informed search". Questo include un approccio detto Coarse To Fine e algoritmi di ottimizzazione Bayesiani e Genetici. Imparerai come l’informed search differisce dalla uninformed search e acquisirai abilità pratiche con ciascuna metodologia citata, confrontandole lungo il percorso.
Ottimizzazione degli iperparametri in Python
Corso
completato
