Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Voor veel Machine Learning-problemen is een model zomaar draaien en een voorspelling krijgen niet genoeg; je wilt het beste model met de meest nauwkeurige voorspelling. Een manier om je model te verbeteren is hyperparameterafstelling: het optimaliseren van de instellingen voor dat specifieke model. In deze cursus werk je met de pakketten caret, mlr en h2o om de optimale combinatie van hyperparameters te vinden, op een efficiënte manier met grid search, random search, adaptieve hersteekproeven en automatische Machine Learning (AutoML). Daarnaast werk je met verschillende gegevenssets en stem je verschillende supervised learning-modellen af, zoals random forests, gradient boosting machines, support vector machines en zelfs neurale netten. Klaar om te tunen!
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot hyperparameters
Waarom gebruiken we het vreemde woord "hyperparameter"? Wat maakt het ‘hyper’? Hier ontdek je wat modelparameters zijn en waarom ze anders zijn dan hyperparameters in Machine Learning. Daarna zie je waarom we ze willen afstellen en hoe de standaardinstelling van caret automatisch hyperparameterafstelling meeneemt.
- Parameters vs. hyperparameters50 XP
- Modelparameters vs. hyperparameters100 XP
- Hyperparameters in lineaire modellen50 XP
- Wat zijn de coëfficiënten?100 XP
- Herhaling van de basis van Machine Learning50 XP
- Machine learning met caret100 XP
- Resampling-schema's50 XP
- Hyperparametertuning in caret50 XP
- Hyperparameters in Stochastic Gradient Boosting50 XP
- Het aantal te tunen hyperparameters aanpassen100 XP
- Hyperparameters handmatig afstellen100 XP
2
Hyperparameterafstelling met caret
In dit hoofdstuk leer je hoe je hyperparameters afstelt met een Cartesisch rooster. Daarna pas je snellere en efficiëntere methoden toe. Je gebruikt Random Search en adaptieve hersteekproeven om het parameterrooster te tunen, op een manier die zich richt op waarden in de buurt van de optimale instellingen.
3
Hyperparameterafstelling met mlr
Hier gebruik je een ander pakket voor Machine Learning met zeer handige functies voor hyperparameterafstelling. Je definieert een Cartesisch rooster of voert Random Search uit, evenals geavanceerde technieken. Je leert ook verschillende manieren om modellen met verschillende hyperparameters te plotten en te evalueren.
4
Hyperparameterafstelling met h2o
In dit laatste hoofdstuk gebruik je h2o, een ander pakket voor Machine Learning met zeer handige functies voor hyperparameterafstelling. Je gebruikt het om verschillende modellen te trainen en een Cartesisch rooster te definiëren. Vervolgens implementeer je een Random Search en gebruik je stopcriteria. Tot slot leer je AutoML kennen, een h2o-interface die zeer snel en gemakkelijk model- en hyperparameterafstelling mogelijk maakt met slechts één functie.
R
Hyperparameterafstelling in R
Cursus
voltooid
