After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
コース説明
データまたは機械学習サイエンティストとして、強力な機械学習モデルを構築するには、使用するハイパーパラメータのセットが大きく影響します。 しかし、選択肢が多い、ますます複雑なモデルでは、特定の問題に最適な設定をどうすれば効率よく見つけられるのでしょうか？答えはハイパーパラメータチューニングです！
ハイパーパラメータとパラメータの違いを学び、ハイパーパラメータの値を設定・分析するための最良の練習を身につけます。 この基礎では、機械学習モデルにおけるハイパーパラメータの重要性を理解できるようになります。
Random Searchを紹介し、広大なパラメータ空間における効率性など、Grid Searchに対する利点について学びます。
これらの知識に基づく探索手法は、実践的な例を通して示され、知識を用いない探索手法と比較・対照しながら学べます。 最終的には、ハイパーパラメータを効果的に最適化してモデルのパフォーマンスを向上させる方法を包括的に理解できるようになります.
ハイパーパラメータとパラメータ
PythonでScikit-Learnを使い、自動ハイパーパラメータチューニングのさまざまな手法を実践的に習得します。ハイパーパラメータとパラメータの違いを学び、ハイパーパラメータの値を設定・分析するための最良の練習を身につけます。 この基礎では、機械学習モデルにおけるハイパーパラメータの重要性を理解できるようになります。
グリッドサーチ
Grid Searchから始めて、複数のハイパーパラメータ調整手法を習得しましょう。 クレジットカードのデフォルトデータを使って、Grid Searchを実践し、最適なハイパーパラメータの組み合わせを徹底的に探索して、その結果を解釈する方法を学びます。Random Searchを紹介し、広大なパラメータ空間における効率性など、Grid Searchに対する利点について学びます。
情報に基づく探索
コースの最終パートでは、ベイズアルゴリズムや遺伝的アルゴリズムなどの高度な最適化手法を学びます。これらの知識に基づく探索手法は、実践的な例を通して示され、知識を用いない探索手法と比較・対照しながら学べます。 最終的には、ハイパーパラメータを効果的に最適化してモデルのパフォーマンスを向上させる方法を包括的に理解できるようになります.
前提条件
カリキュラム
コース概要
1
ハイパーパラメータとパラメータ
この導入章では、ハイパーパラメータとパラメータの違いを学びます。パラメータの抽出と分析を練習し、いくつかの代表的なMachine Learningアルゴリズムでハイパーパラメータを設定します。あわせて、どのハイパーパラメータをチューニングすべきか、どの値を試すべきかのベストプラクティスやコツを学び、学習曲線を作成して選択を分析します。
2
Grid search
この章では、Grid Searchと呼ばれる一般的な自動ハイパーパラメータチューニング手法を紹介します。Grid Searchの概要と仕組みを学び、Scikit Learnで実際にGrid Searchを実施します。さらに、Grid Searchの出力の読み解き方を学び、実務的に分析する経験を積みます。
3
Random Search
この章では、もう一つの代表的な自動ハイパーパラメータチューニング手法であるRandom Searchを紹介します。Random Searchの概要と仕組み、そしてGrid Searchとの違いを学びます。本手法の長所・短所、Grid Searchとの使い分けの考え方を理解します。Scikit LearnでRandom Searchを行い、出力の可視化と解釈にも取り組みます。
4
Informed Search
最終章では、より高度なハイパーパラメータチューニング手法である「Informed Search」を体験します。ここでは、Coarse To Fine（粗から細へ）のアプローチに加え、BayesianやGeneticアルゴリズムによるチューニングを扱います。Informed Searchが非情報探索（Uninformed Search）とどう異なるかを学び、各手法で実践的なスキルを身につけながら相互に比較します。
Pythonでのハイパーパラメータチューニング
コース修了
