After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Als data- of machine learning-wetenschapper hangt het bouwen van krachtige machine learning-modellen sterk af van de hyperparameters die je gebruikt. Maar met steeds complexere modellen met veel opties, hoe vind je dan efficiënt de beste instellingen voor jouw specifieke probleem? Het antwoord is hyperparameter-afstemming!
Leer het verschil tussen hyperparameters en parameters en de beste manieren om hyperparameterwaarden in te stellen en te analyseren. Deze basis helpt je om te snappen hoe belangrijk hyperparameters zijn in machine learning-modellen.
Je maakt kennis met Random Search en leert over de voordelen ervan ten opzichte van Grid Search, zoals efficiëntie in grote parameterruimtes.
Deze slimme zoektechnieken worden laten zien met praktische voorbeelden, zodat je ze kunt vergelijken met minder slimme zoekmethoden. Aan het einde van deze cursus weet je precies hoe je hyperparameters goed kunt optimaliseren om de prestaties van je model te verbeteren..
Hyperparameters versus parameters
Doe praktische ervaring op met verschillende manieren om hyperparameters automatisch af te stellen in Python met Scikit-Learn.Leer het verschil tussen hyperparameters en parameters en de beste manieren om hyperparameterwaarden in te stellen en te analyseren. Deze basis helpt je om te snappen hoe belangrijk hyperparameters zijn in machine learning-modellen.
Rasterzoekopdracht
Leer verschillende manieren om hyperparameters aan te passen, en begin met Grid Search. Met behulp van gegevens over wanbetalingen met creditcards ga je oefenen met Grid Search om grondig te zoeken naar de beste combinaties van hyperparameters en de resultaten te begrijpen.Je maakt kennis met Random Search en leert over de voordelen ervan ten opzichte van Grid Search, zoals efficiëntie in grote parameterruimtes.
Informed search
In het laatste deel van de cursus ga je dieper in op geavanceerde optimalisatiemethoden, zoals Bayesiaanse en genetische algoritmen.Deze slimme zoektechnieken worden laten zien met praktische voorbeelden, zodat je ze kunt vergelijken met minder slimme zoekmethoden. Aan het einde van deze cursus weet je precies hoe je hyperparameters goed kunt optimaliseren om de prestaties van je model te verbeteren..
Vereisten
Curriculum
Cursusoverzicht
1
Hyperparameters en parameters
In dit introductiehoofdstuk leer je het verschil tussen hyperparameters en parameters. Je oefent met het extraheren en analyseren van parameters en het instellen van hyperparameterwaarden voor enkele populaire machine learning-algoritmen. Onderweg leer je best practices en handige tips om te bepalen welke hyperparameters je afstelt, welke waarden je kiest, en bouw je leercurves om je hyperparameterkeuzes te analyseren.
- Introductie & 'Parameters'50 XP
- Parameters in Logistic Regression50 XP
- Een parameter van Logistic Regression extraheren100 XP
- Een parameter uit een Random Forest extraheren100 XP
- Kennismaken met hyperparameters50 XP
- Hyperparameters in Random Forests50 XP
- Random Forest-hyperparameters verkennen100 XP
- Hyperparameters van KNN100 XP
- Hyperparameterwaarden instellen en analyseren50 XP
- Hyperparameterkeuze automatiseren100 XP
- Leercurves bouwen100 XP
2
Grid search
Dit hoofdstuk introduceert een populaire methode voor geautomatiseerde hyperparameter tuning: Grid Search. Je leert wat het is, hoe het werkt en oefent met een Grid Search in Scikit Learn. Daarna leer je hoe je de output van een Grid Search analyseert en doe je hier praktische ervaring mee op.
3
Random Search
In dit hoofdstuk maak je kennis met een andere populaire methode voor geautomatiseerde hyperparameter tuning: Random Search. Je leert wat het is, hoe het werkt en vooral hoe het verschilt van grid search. Je leert de voor- en nadelen van deze methode en wanneer je deze kiest ten opzichte van Grid Search. Je oefent met een Random Search in Scikit Learn en met het visualiseren en interpreteren van de output.
4
Informed Search
In dit laatste hoofdstuk maak je kennis met meer geavanceerde hyperparameter tuning-methoden, bekend als 'informed search'. Dit omvat een aanpak genaamd Coarse To Fine en Bayesian en Genetic hyperparameter tuning-algoritmen. Je leert hoe informed search verschilt van uninformed search en ontwikkelt praktische vaardigheden met elk van de genoemde methoden, terwijl je ze vergelijkt en tegenover elkaar zet.
Hyperparameter Tuning in Python
Cursus
voltooid
