После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
As a data or machine learning scientist, building powerful machine learning models depends heavily on the set of hyperparameters used. But with increasingly complex models with lots of options, how do you efficiently find the best settings for your particular problem? The answer is hyperparameter tuning!
Learn the difference between hyperparameters and parameters and best practices for setting and analyzing hyperparameter values. This foundation will prepare you to understand the significance of hyperparameters in machine learning models.
You will be introduced to Random Search, and learn about its advantages over Grid Search, such as efficiency in large parameter spaces.
These informed search techniques are demonstrated through practical examples, allowing you to compare and contrast them with uninformed search methods. By the end, you will have a comprehensive understanding of how to optimize hyperparameters effectively to improve model performance.
Hyperparameters vs. parameters
Gain practical experience using various methodologies for automated hyperparameter tuning in Python with Scikit-Learn.Learn the difference between hyperparameters and parameters and best practices for setting and analyzing hyperparameter values. This foundation will prepare you to understand the significance of hyperparameters in machine learning models.
Grid search
Master several hyperparameter tuning techniques, starting with Grid Search. Using credit card default data, you will practice conducting Grid Search to exhaustively search for the best hyperparameter combinations and interpret the results.You will be introduced to Random Search, and learn about its advantages over Grid Search, such as efficiency in large parameter spaces.
Informed search
In the final part of the course, you will explore advanced optimization methods, such as Bayesian and Genetic algorithms.These informed search techniques are demonstrated through practical examples, allowing you to compare and contrast them with uninformed search methods. By the end, you will have a comprehensive understanding of how to optimize hyperparameters effectively to improve model performance.
Предварительные требования
Программа
План курса
1
Гиперпараметры и параметры
В этой вводной главе вы узнаете, чем гиперпараметры отличаются от параметров. Вы попрактикуетесь в извлечении и анализе параметров, а также в задании значений гиперпараметров для нескольких популярных алгоритмов машинного обучения. По ходу главы вы познакомитесь с полезными рекомендациями по выбору гиперпараметров для настройки, научитесь задавать их значения и строить кривые обучения для анализа сделанных выборов.
- Введение и «параметры»50 XP
- Параметры в логистической регрессии50 XP
- Извлечение параметра логистической регрессии100 XP
- Извлечение параметра случайного леса100 XP
- Введение в гиперпараметры50 XP
- Гиперпараметры в случайных лесах50 XP
- Изучение гиперпараметров случайного леса100 XP
- Гиперпараметры KNN100 XP
- Настройка и анализ значений гиперпараметров50 XP
- Автоматизация выбора гиперпараметров100 XP
- Построение кривых обучения100 XP
2
Поиск по сетке
В этой главе рассматривается популярный метод автоматического подбора гиперпараметров — поиск по сетке (Grid Search). Вы узнаете, что это такое, как он работает, и попрактикуетесь в его применении с помощью Scikit-Learn. Затем вы научитесь анализировать результаты поиска по сетке и закрепите этот навык на практике.
3
Случайный поиск
В этой главе вы познакомитесь с ещё одним популярным методом автоматического подбора гиперпараметров — случайным поиском (Random Search). Вы узнаете, что он собой представляет, как работает и чем принципиально отличается от поиска по сетке. Вы изучите преимущества и недостатки этого метода, а также разберётесь, в каких случаях его предпочтительнее использовать. Кроме того, вы попрактикуетесь в проведении случайного поиска с помощью Scikit-Learn и научитесь визуализировать и интерпретировать его результаты.
4
Направленный поиск
В заключительной главе вы познакомитесь с более продвинутыми методами подбора гиперпараметров, которые относятся к категории направленного поиска. В их числе — метод «от грубого к точному» (Coarse to Fine), а также байесовские и генетические алгоритмы настройки гиперпараметров. Вы узнаете, чем направленный поиск отличается от ненаправленного, и получите практические навыки работы с каждым из перечисленных методов, сравнивая их между собой.
Подбор гиперпараметров в Python
Курс
завершён
