Build your ultimate AI agent
Descrierea cursului
Ca specialist în date sau în învățarea automată, construirea unor modele puternice de machine learning depinde în mare măsură de setul de hiperparametri utilizat. Dar, odată cu modelele din ce în ce mai complexe și cu multe opțiuni, cum găsești eficient cele mai bune setări pentru problema ta specifică? Răspunsul este ajustarea hiperparametrilor!
Învață diferența dintre hiperparametri și parametri și cele mai bune practici pentru setarea și analizarea valorilor hiperparametrilor. Această bază vă va pregăti să înțelegeți importanța hiperparametrilor în modelele de machine learning.
Vei face cunoștință cu Random Search și vei afla despre avantajele sale față de Grid Search, cum ar fi eficiența în spații mari de parametri.
Aceste tehnici de căutare informate sunt demonstrate prin exemple practice, permițându-ți să le compari și să le contrastezi cu metodele de căutare neinformate. La final, vei avea o înțelegere cuprinzătoare a modului de a optimiza eficient hiperparametrii pentru a îmbunătăți performanța modelului.
Hiperparametri vs. parametri
Dobândește experiență practică folosind diverse metodologii pentru reglarea automată a hiperparametrilor în Python cu Scikit-Learn.Învață diferența dintre hiperparametri și parametri și cele mai bune practici pentru setarea și analizarea valorilor hiperparametrilor. Această bază vă va pregăti să înțelegeți importanța hiperparametrilor în modelele de machine learning.
Căutare în grilă
Stăpânește mai multe tehnici de ajustare a hiperparametrilor, începând cu Căutarea în grilă. Folosind datele privind neplata cardului de credit, vei exersa efectuarea Grid Search pentru a căuta exhaustiv cele mai bune combinații de hiperparametri și pentru a interpreta rezultatele.Vei face cunoștință cu Random Search și vei afla despre avantajele sale față de Grid Search, cum ar fi eficiența în spații mari de parametri.
Căutare informată
În partea finală a cursului, vei explora metode avansate de optimizare, precum algoritmii bayesieni și genetici.Aceste tehnici de căutare informate sunt demonstrate prin exemple practice, permițându-ți să le compari și să le contrastezi cu metodele de căutare neinformate. La final, vei avea o înțelegere cuprinzătoare a modului de a optimiza eficient hiperparametrii pentru a îmbunătăți performanța modelului.
Cerințe prealabile
Curriculum
Structura cursului
1
Hiperparametri și parametri
În acest capitol introductiv vei învăța diferența dintre hiperparametri și parametri. Vei exersa extragerea și analiza parametrilor, setarea valorilor hiperparametrilor pentru câțiva algoritmi populari de învățare automată. Pe parcurs, vei descoperi sfaturi și tehnici utile pentru alegerea hiperparametrilor de ajustat și a valorilor de setat, și vei construi curbe de învățare pentru a-ți analiza alegerile.
- Introducere și „Parametri'50 XP
- Parametri în Regresia Logistică50 XP
- Extragerea unui parametru din regresia logistică100 XP
- Extragerea unui parametru din Random Forest100 XP
- Introducere în hiperparametri50 XP
- Hiperparametri în Random Forests50 XP
- Explorarea hiperparametrilor Random Forest100 XP
- Hiperparametrii algoritmului KNN100 XP
- Setarea și analiza valorilor hiperparametrilor50 XP
- Automatizarea alegerii hiperparametrilor100 XP
- Construirea curbelor de învățare100 XP
2
Grid Search
Acest capitol îți prezintă o metodologie populară de ajustare automată a hiperparametrilor, numită Grid Search. Vei afla ce este, cum funcționează și vei exersa aplicarea unui Grid Search folosind Scikit-Learn. Vei învăța apoi să analizezi rezultatele unui Grid Search și vei dobândi experiență practică în acest sens.
3
Random Search
În acest capitol vei face cunoștință cu o altă metodologie populară de ajustare automată a hiperparametrilor, numită Random Search. Vei afla ce este, cum funcționează și, mai important, în ce diferă de Grid Search. Vei descoperi avantajele și dezavantajele acestei metode și când este mai potrivit să o alegi față de Grid Search. Vei exersa aplicarea unui Random Search cu Scikit-Learn, precum și vizualizarea și interpretarea rezultatelor.
4
Căutare informată
În acest capitol final vei face cunoștință cu metodologii mai avansate de ajustare a hiperparametrilor, cunoscute sub numele de „căutare informată". Acestea includ metodologia Coarse to Fine, precum și algoritmii Bayesieni și Genetici de ajustare a hiperparametrilor. Vei afla cum diferă căutarea informată de cea neinformată și vei dobândi abilități practice cu fiecare dintre metodologiile menționate, comparându-le pe parcurs.
Ajustarea hiperparametrilor în Python
Curs
finalizat
