Cursus
Hyperparameter Tuning in Python
GemiddeldVaardigheidsniveau
Bijgewerkt 04-2023
PythonMachine Learning4 u13 videos44 Opdrachten3,400 XP24,898Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
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
Supervised Learning with scikit-learn1
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.
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
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Hyperparameter Tuning in Python!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.