Name: Ottimizzazione degli iperparametri in R
Rating: 4.830508474576272 (59 reviews)

Descrizione del corso

Per molti problemi di Machine Learning, eseguire un modello “così com’è” e ottenere una previsione non basta: vuoi il modello migliore, con la massima accuratezza. Un modo per perfezionarlo è l’ottimizzazione degli iperparametri, cioè la scelta delle impostazioni ideali per quello specifico modello. In questo corso userai i pacchetti caret, mlr e h2o per trovare in modo efficiente la combinazione ottimale di iperparametri tramite grid search, random search, ricampionamento adattivo e automatic machine learning (AutoML). Inoltre, lavorerai con diversi insiemi di dati e ottimizzerai vari modelli di apprendimento supervisionato, come random forest, gradient boosting machine, support vector machine e persino reti neurali. Pronto a fare tuning!

Prerequisiti

Machine Learning with caret in R

Curriculum

Programma del corso

Introduzione agli iperparametri

Perché usiamo la strana parola “iperparametro”? Cosa lo rende “iper”? Qui capirai cosa sono i parametri di un modello e perché sono diversi dagli iperparametri nel Machine Learning. Vedrai poi perché conviene ottimizzarli e come l’impostazione predefinita di caret includa automaticamente il tuning degli iperparametri.

Inizia capitolo

Ottimizzazione degli iperparametri con caret

In questo capitolo imparerai a ottimizzare gli iperparametri con una griglia cartesiana. Poi passerai ad approcci più veloci ed efficienti. Userai la Random Search e il ricampionamento adattivo per esplorare la griglia dei parametri, concentrandoti sui valori più vicini alle impostazioni ottimali.

Inizia capitolo

Ottimizzazione degli iperparametri con mlr

Qui userai un altro pacchetto per il Machine Learning che offre funzioni molto pratiche per il tuning degli iperparametri. Definirai una griglia cartesiana o eseguirai una Random Search, oltre a tecniche avanzate. Imparerai anche diversi modi per visualizzare e valutare modelli con iperparametri differenti.

Inizia capitolo

Ottimizzazione degli iperparametri con h2o

In questo capitolo finale userai h2o, un altro pacchetto per il Machine Learning con funzioni molto comode per l’ottimizzazione degli iperparametri. Lo userai per addestrare modelli diversi e definire una griglia cartesiana. Poi implementerai una Random Search usando criteri di arresto. Infine, scoprirai AutoML, un’interfaccia di h2o che permette un tuning rapidissimo e pratico di modelli e iperparametri con una sola funzione.