이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
강의 설명
많은 Machine Learning 문제에서 모델을 바로 실행해 예측값만 얻는 것으로는 충분하지 않습니다. 더 정확한 예측을 내는 최고의 모델이 필요하죠. 이를 위한 한 가지 방법이 하이퍼파라미터 튜닝으로, 특정 모델에 맞는 설정을 최적화하는 과정입니다. 이 강의에서는 caret, mlr, h2o 패키지를 활용해 그리드 서치, 랜덤 서치, 적응형 리샘플링, 자동 Machine Learning(AutoML)으로 하이퍼파라미터 조합을 효율적으로 탐색합니다. 또한 다양한 데이터셋을 사용해 랜덤 포레스트, 그래디언트 부스팅 머신, 서포트 벡터 머신, 신경망 등 여러 지도 학습 모델을 튜닝해 봅니다. 이제 튜닝을 시작해 볼까요!
선수 과목
커리큘럼
강의 개요
1
하이퍼파라미터 소개
왜 ‘하이퍼파라미터’라는 다소 낯선 용어를 쓸까요? 무엇이 ‘하이퍼’일까요? 이 장에서 모델 파라미터가 무엇인지, 그리고 그것이 Machine Learning에서 하이퍼파라미터와 어떻게 다른지 이해합니다. 이어서 왜 튜닝이 필요한지 살펴보고, caret의 기본 설정에 하이퍼파라미터 튜닝이 자동으로 포함되어 있는 이유를 알아봅니다.
2
caret로 하이퍼파라미터 튜닝
이 장에서는 데카르트 그리드를 사용해 하이퍼파라미터를 튜닝하는 방법을 배웁니다. 그다음 더 빠르고 효율적인 접근을 구현해 봅니다. Random Search와 적응형 리샘플링을 사용해 최적 설정 주변의 값들에 집중하도록 파라미터 그리드를 튜닝합니다.
3
mlr로 하이퍼파라미터 튜닝
여기서는 하이퍼파라미터 튜닝 기능이 매우 편리한 또 다른 Machine Learning 패키지를 사용합니다. 데카르트 그리드를 정의하거나 Random Search를 수행하고, 더 발전된 기법도 다룹니다. 또한 서로 다른 하이퍼파라미터로 학습한 모델을 시각화하고 평가하는 다양한 방법을 배웁니다.
4
h2o로 하이퍼파라미터 튜닝
마지막 장에서는 편리한 하이퍼파라미터 튜닝 기능을 제공하는 또 다른 Machine Learning 패키지인 h2o를 사용합니다. 이를 통해 다양한 모델을 학습하고 데카르트 그리드를 정의합니다. 이어서 Random Search를 구현하고 중지 기준을 활용합니다. 마지막으로 하나의 함수만으로 매우 빠르고 손쉽게 모델과 하이퍼파라미터를 튜닝할 수 있는 h2o의 AutoML을 배웁니다.
R
R에서 하이퍼파라미터 튜닝
강의
완료
