Ajuste de Hiperparâmetros em Python

Como cientista de dados ou de machine learning, a criação de modelos poderosos de machine learning depende muito do conjunto de hiperparâmetros usados. Mas, com modelos cada vez mais complexos e cheios de opções, como você consegue achar de forma eficiente as melhores configurações para o seu problema específico? A resposta é ajustar os hiperparâmetros!

Hiperparâmetros vs. parâmetros

Ganhe experiência prática usando várias metodologias para ajuste automatizado de hiperparâmetros em Python com o Scikit-Learn.

Aprenda a diferença entre hiperparâmetros e parâmetros e as melhores práticas para definir e analisar valores de hiperparâmetros. Essa base vai te ajudar a entender a importância dos hiperparâmetros nos modelos de machine learning.

Pesquisa em grade

Domine várias técnicas de ajuste de hiperparâmetros, começando com a busca em grade. Usando dados de inadimplência de cartão de crédito, você vai praticar a realização de Grid Search para procurar exaustivamente as melhores combinações de hiperparâmetros e interpretar os resultados.

Você vai conhecer a Random Search e aprender sobre suas vantagens em relação à Grid Search, como eficiência em grandes espaços de parâmetros.

Pesquisa informada

Na parte final do curso, você vai conhecer métodos avançados de otimização, como algoritmos bayesianos e genéticos.

Essas técnicas de pesquisa bem informadas são mostradas com exemplos práticos, permitindo que você compare e contraste com métodos de pesquisa sem informação. No final, você vai entender direitinho como otimizar hiperparâmetros de forma eficaz para melhorar o desempenho do modelo..