これらのコースを受講したことで、プロフェッショナルなビジュアライゼーションやダッシュボードを自信を持って作成できるようになりました
Shoebur Rahman調達スペシャリスト、Giz Bangladesh
コースの説明
多くの Machine Learning の課題では、モデルをそのまま実行して予測を得るだけでは十分ではありません。より高精度な予測をする最良のモデルを目指す必要があります。モデルを磨き上げる1つの方法がハイパーパラメータチューニングです。これは特定のモデルに最適な設定を見つける取り組みを指します。本コースでは、caret、mlr、h2o パッケージを使い、グリッドサーチ、ランダムサーチ、適応的リサンプリング、そして自動機械学習（AutoML）により、効率的にハイパーパラメータの最適な組み合わせを探索します。さらに、さまざまなデータセットを用いて、ランダムフォレスト、勾配ブースティング、サポートベクターマシン、さらにニューラルネットなどの教師あり学習モデルをチューニングします。さあ、チューニングを始めましょう！
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入門
なぜ「ハイパーパラメータ」という少し不思議な言葉を使うのでしょうか？ どこが“ハイパー”なのでしょう？ ここでは、モデルパラメータとは何か、そしてそれが Machine Learning におけるハイパーパラメータとどう違うのかを理解します。続いて、私たちがそれらをチューニングしたい理由と、caret のデフォルト設定がどのように自動でハイパーパラメータチューニングを含んでいるかを見ていきます。
2
caret で行うハイパーパラメータチューニング
この章では、まず直交グリッド（Cartesian グリッド）でハイパーパラメータをチューニングする方法を学びます。その後、より高速で効率的な手法を実装します。ランダムサーチと適応的リサンプリングを使い、最適設定の近傍に焦点を当てる形でパラメータグリッドをチューニングします。
3
mlr で行うハイパーパラメータチューニング
ここでは、ハイパーパラメータチューニング機能が充実した別の Machine Learning パッケージを使います。Cartesian グリッドの定義やランダムサーチに加え、より高度な手法も実行します。さらに、異なるハイパーパラメータをもつモデルを可視化・評価するさまざまな方法を学びます。
4
h2o で行うハイパーパラメータチューニング
最終章では、ハイパーパラメータチューニング機能が使いやすい別の Machine Learning パッケージである h2o を使います。これを用いて複数のモデルを学習し、Cartesian グリッドを定義します。次に、停止基準を用いたランダムサーチを実装します。最後に、h2o のインターフェースである AutoML を学び、1つの関数で高速かつ手軽にモデルとハイパーパラメータのチューニングを行います。
R
R によるハイパーパラメータチューニング
コース修了
