After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Jako naukowiec zajmujący się danymi lub uczeniem maszynowym, tworzenie skutecznych modeli uczenia maszynowego w dużej mierze zależy od zestawu użytych hiperparametrów. Ale przy coraz bardziej złożonych modelach z wieloma opcjami, jak efektywnie znaleźć najlepsze ustawienia dla swojego konkretnego problemu? Odpowiedzią jest strojenie hiperparametrów!
Poznaj różnicę między hiperparametrami a parametrami oraz najlepsze praktyki ustawiania i analizowania wartości hiperparametrów. Ten fundament przygotuje Cię do zrozumienia znaczenia hiperparametrów w modelach uczenia maszynowego.
Zostaniesz wprowadzony do Random Search i poznasz jego zalety w porównaniu z Grid Search, takie jak większa efektywność w dużych przestrzeniach parametrów.
Te techniki przeszukiwania z wykorzystaniem wiedzy są demonstrowane na praktycznych przykładach, dzięki czemu możesz je porównać i zestawić z metodami przeszukiwania bez informacji. Pod koniec będziesz mieć kompleksowe zrozumienie tego, jak skutecznie optymalizować hiperparametry, aby poprawić wydajność modelu.
Hiperparametry a parametry
Zdobądź praktyczne doświadczenie w korzystaniu z różnych metod automatycznego dostrajania hiperparametrów w Pythonie z użyciem Scikit-Learn.Poznaj różnicę między hiperparametrami a parametrami oraz najlepsze praktyki ustawiania i analizowania wartości hiperparametrów. Ten fundament przygotuje Cię do zrozumienia znaczenia hiperparametrów w modelach uczenia maszynowego.
Przeszukiwanie siatki
Opanuj kilka technik strojenia hiperparametrów, zaczynając od Przeszukiwania siatki. Korzystając z danych o niewywiązywaniu się z płatności kartą kredytową, będziesz ćwiczyć przeprowadzanie Grid Search, aby wyczerpująco wyszukiwać najlepsze kombinacje hiperparametrów i interpretować wyniki.Zostaniesz wprowadzony do Random Search i poznasz jego zalety w porównaniu z Grid Search, takie jak większa efektywność w dużych przestrzeniach parametrów.
Przeszukiwanie informowane
W końcowej części kursu poznasz zaawansowane metody optymalizacji, takie jak algorytmy bayesowskie i genetyczne.Te techniki przeszukiwania z wykorzystaniem wiedzy są demonstrowane na praktycznych przykładach, dzięki czemu możesz je porównać i zestawić z metodami przeszukiwania bez informacji. Pod koniec będziesz mieć kompleksowe zrozumienie tego, jak skutecznie optymalizować hiperparametry, aby poprawić wydajność modelu.
Wymagania wstępne
Program kursu
Plan kursu
1
Hiperparametry i parametry
W tym rozdziale wprowadzającym poznasz różnicę między hiperparametrami a parametrami. Przećwiczysz wyodrębnianie i analizowanie parametrów oraz ustawianie wartości hiperparametrów dla kilku popularnych algorytmów uczenia maszynowego. Przy okazji poznasz sprawdzone wskazówki dotyczące wyboru hiperparametrów do strojenia, doboru ich wartości, a także tworzenia krzywych uczenia do analizy swoich wyborów.
- Wprowadzenie i „Parametry"50 XP
- Parametry w regresji logistycznej50 XP
- Wyodrębnianie parametru regresji logistycznej100 XP
- Wyodrębnianie parametru modelu Random Forest100 XP
- Wprowadzenie do hiperparametrów50 XP
- Hiperparametry w lasach losowych50 XP
- Odkrywanie hiperparametrów lasu losowego100 XP
- Hiperparametry KNN100 XP
- Ustawianie i analiza wartości hiperparametrów50 XP
- Automatyzacja wyboru hiperparametrów100 XP
- Budowanie krzywych uczenia100 XP
2
Przeszukiwanie siatki
Ten rozdział zapozna cię z popularną metodą automatycznego strojenia hiperparametrów – przeszukiwaniem siatki. Dowiesz się, czym jest ta metoda i jak działa, a następnie przećwiczysz jej zastosowanie w Scikit-Learn. Nauczysz się też analizować wyniki przeszukiwania siatki i zdobędziesz praktyczne doświadczenie w tym zakresie.
3
Przeszukiwanie losowe
W tym rozdziale poznasz kolejną popularną metodę automatycznego strojenia hiperparametrów – przeszukiwanie losowe. Dowiesz się, czym jest, jak działa i czym różni się od przeszukiwania siatki. Poznasz zalety i ograniczenia tej metody oraz nauczysz się, kiedy warto ją stosować zamiast przeszukiwania siatki. Przećwiczysz przeszukiwanie losowe w Scikit-Learn, a także wizualizację i interpretację jego wyników.
4
Przeszukiwanie ukierunkowane
W tym ostatnim rozdziale poznasz bardziej zaawansowane metody strojenia hiperparametrów, określane jako „przeszukiwanie ukierunkowane". Obejmują one podejście od ogółu do szczegółu (Coarse to Fine) oraz algorytmy bayesowskie i genetyczne. Dowiesz się, czym przeszukiwanie ukierunkowane różni się od nieukierunkowanego, i zdobędziesz praktyczne umiejętności korzystania z każdej z tych metod – porównując je ze sobą w trakcie nauki.
Strojenie hiperparametrów w Pythonie
Kurs
ukończony
