After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
W wielu problemach uczenia maszynowego samo uruchomienie modelu i uzyskanie predykcji nie wystarczy – zależy ci na jak najlepszym modelu z możliwie najtrafniejszymi wynikami. Jednym ze sposobów na ulepszenie modelu jest dostrajanie hiperparametrów, czyli optymalizacja ustawień dla konkretnego modelu. W tym kursie będziesz pracować z pakietami caret, mlr i h2o, aby w efektywny sposób znaleźć optymalną kombinację hiperparametrów – z wykorzystaniem przeszukiwania siatki, przeszukiwania losowego, adaptacyjnego próbkowania oraz automatycznego uczenia maszynowego (AutoML). Będziesz też pracować z różnymi zbiorami danych i dostrajać różne modele uczenia nadzorowanego, takie jak lasy losowe, maszyny gradientowego wzmacniania, maszyny wektorów nośnych, a nawet sieci neuronowe. Czas na dostrajanie!
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do hiperparametrów
Dlaczego mówimy o „hiperparametrach"? Co je wyróżnia? W tym rozdziale poznasz pojęcie parametrów modelu i dowiesz się, czym różnią się one od hiperparametrów w uczeniu maszynowym. Zrozumiesz też, po co je dostrajamy, oraz zobaczysz, jak domyślne ustawienia pakietu caret automatycznie uwzględniają dostrajanie hiperparametrów.
- Parametry a hiperparametry50 XP
- Parametry modelu a hiperparametry100 XP
- Hiperparametry w modelach liniowych50 XP
- Czym są współczynniki?100 XP
- Przypomnienie podstaw uczenia maszynowego50 XP
- Uczenie maszynowe z caret100 XP
- Schematy ponownego próbkowania50 XP
- Dostrajanie hiperparametrów w caret50 XP
- Hiperparametry w stochastycznym wzmacnianiu gradientowym50 XP
- Zmiana liczby hiperparametrów do strojenia100 XP
- Ręczne dostrajanie hiperparametrów100 XP
2
Dostrajanie hiperparametrów z użyciem caret
W tym rozdziale nauczysz się dostrajać hiperparametry za pomocą siatki kartezjańskiej. Następnie zapoznasz się z szybszymi i bardziej efektywnymi podejściami. Wykorzystasz przeszukiwanie losowe oraz adaptacyjne próbkowanie do dostrajania siatki parametrów w sposób skupiający się na wartościach w otoczeniu optymalnych ustawień.
3
Dostrajanie hiperparametrów z użyciem mlr
Tutaj skorzystasz z kolejnego pakietu do uczenia maszynowego, który oferuje wygodne funkcje dostrajania hiperparametrów. Zdefiniujesz siatkę kartezjańską lub przeprowadzisz przeszukiwanie losowe, a także poznasz zaawansowane techniki. Dowiesz się również, jak wizualizować i oceniać modele z różnymi hiperparametrami.
4
Dostrajanie hiperparametrów z użyciem h2o
W tym ostatnim rozdziale skorzystasz z pakietu h2o – kolejnego narzędzia do uczenia maszynowego z wygodnymi funkcjami dostrajania hiperparametrów. Użyjesz go do trenowania różnych modeli i definiowania siatki kartezjańskiej. Następnie zaimplementujesz przeszukiwanie losowe z kryteriami zatrzymania. Na koniec poznasz AutoML – interfejs h2o umożliwiający bardzo szybkie i wygodne dostrajanie modeli oraz hiperparametrów za pomocą jednej funkcji.
R
Dostrajanie hiperparametrów w R
Kurs
ukończony
