Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Em muitos problemas de Machine Learning, apenas executar um modelo do jeito que vem e obter uma previsão não é suficiente; você quer o melhor modelo, com a maior precisão possível. Uma forma de aperfeiçoar seu modelo é com o ajuste de hiperparâmetros, que significa otimizar as configurações específicas desse modelo. Neste curso, você vai usar os pacotes caret, mlr e h2o para encontrar a combinação ideal de hiperparâmetros de maneira eficiente, utilizando grid search, random search, reamostragem adaptativa e aprendizado de máquina automático (AutoML). Além disso, você vai trabalhar com diferentes conjuntos de dados e ajustar diversos modelos de aprendizado supervisionado, como random forests, gradient boosting machines, support vector machines e até redes neurais. Prepare-se para ajustar!
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução aos hiperparâmetros
Por que usamos a palavra estranha "hiperparâmetro"? O que a torna “hiper”? Aqui, você vai entender o que são parâmetros de modelo e por que eles são diferentes de hiperparâmetros em Machine Learning. Em seguida, verá por que queremos ajustá-los e como a configuração padrão do caret já inclui ajuste de hiperparâmetros automaticamente.
- Parâmetros vs. hiperparâmetros50 XP
- Parâmetros do modelo vs. hiperparâmetros100 XP
- Hiperparâmetros em modelos lineares50 XP
- Quais são os coeficientes?100 XP
- Revisão dos fundamentos de Machine Learning50 XP
- Machine learning com caret100 XP
- Esquemas de reamostragem50 XP
- Ajuste de hiperparâmetros no caret50 XP
- Hiperparâmetros em Stochastic Gradient Boosting50 XP
- Alterando o número de hiperparâmetros a ajustar100 XP
- Ajuste hiperparâmetros manualmente100 XP
2
Ajuste de hiperparâmetros com caret
Neste capítulo, você vai aprender a ajustar hiperparâmetros com um grid cartesiano. Depois, vai implementar abordagens mais rápidas e eficientes. Você usará Random Search e reamostragem adaptativa para ajustar o grid de parâmetros, concentrando-se em valores na vizinhança das configurações ótimas.
3
Ajuste de hiperparâmetros com mlr
Aqui, você vai usar outro pacote de Machine Learning que tem funções muito práticas para ajuste de hiperparâmetros. Você vai definir um grid cartesiano ou realizar Random Search, além de técnicas avançadas. Também vai aprender diferentes maneiras de visualizar e avaliar modelos com hiperparâmetros distintos.
4
Ajuste de hiperparâmetros com h2o
Neste capítulo final, você vai usar o h2o, outro pacote de Machine Learning com funções muito práticas para ajuste de hiperparâmetros. Você vai usá-lo para treinar diferentes modelos e definir um grid cartesiano. Depois, vai implementar um Random Search usando critérios de parada. Por fim, você vai aprender AutoML, uma interface do h2o que permite um ajuste muito rápido e prático de modelos e hiperparâmetros com apenas uma função.
R
Ajuste de hiperparâmetros em R
Curso
concluído
