After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
강력한 Machine Learning 모델을 만들기 위해서는 적절한 하이퍼파라미터 설정이 매우 중요합니다. 하지만 모델이 점점 복잡해지고 선택지가 많아지면서, 내 문제에 가장 알맞은 설정을 효율적으로 찾는 방법은 무엇일까요? 이 과정에서는 Scikit Learn을 사용해 Python에서 자동으로 하이퍼파라미터를 튜닝하는 몇 가지 대표적인 방법을 실습합니다. Grid Search, Random Search, 그리고 Bayesian 및 Genetic 알고리즘을 포함한 고급 최적화 기법을 다룹니다. 신용카드 연체를 예측하는 데이터셋을 활용해, 모델 구축의 효율성과 효과를 크게 높이는 실전 역량을 기르실 수 있습니다.
사전 요구 사항
커리큘럼
코스 개요
1
하이퍼파라미터와 파라미터
이 도입 장에서는 하이퍼파라미터와 파라미터의 차이를 학습합니다. 여러 인기 있는 Machine Learning 알고리즘을 대상으로 파라미터를 추출·분석하고, 하이퍼파라미터 값을 설정하는 연습을 해보세요. 또한 어떤 하이퍼파라미터를 튜닝할지, 어떤 값으로 설정할지에 대한 모범 사례 팁과 요령을 익히고, 학습 곡선을 만들어 하이퍼파라미터 선택을 분석하는 방법도 배웁니다.
2
Grid search
이번 장에서는 Grid Search라 불리는 널리 쓰이는 자동 하이퍼파라미터 튜닝 방법을 소개합니다. Grid Search가 무엇이고 어떻게 동작하는지 배우고, Scikit Learn으로 직접 Grid Search를 수행해 봅니다. 이어서 Grid Search 결과를 해석하는 방법을 익히고, 이를 실습으로 체득합니다.
3
Random Search
이 장에서는 또 다른 대표적인 자동 하이퍼파라미터 튜닝 방법인 Random Search를 소개합니다. 무엇인지, 어떻게 작동하는지, 그리고 Grid Search와 어떻게 다른지가 핵심입니다. 이 방법의 장단점과 Grid Search와 비교했을 때 언제 선택하면 좋은지도 배웁니다. Scikit Learn으로 Random Search를 수행하고, 결과를 시각화·해석하는 연습을 합니다.
4
Informed Search
마지막 장에서는 ‘informed search’로 알려진 더 고급의 하이퍼파라미터 튜닝 기법을 맛보기로 살펴봅니다. 여기에는 Coarse To Fine 접근법과 Bayesian, Genetic 하이퍼파라미터 튜닝 알고리즘이 포함됩니다. informed search가 uninformed search와 어떻게 다른지 이해하고, 각 방법을 실습하며 비교·대조해 봅니다.
Python에서의 하이퍼파라미터 튜닝
코스
완료
