After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Som data- eller maskininlärningsvetare är det i hög grad de hyperparametrar som används som avgör hur kraftfulla maskininlärningsmodeller du kan bygga. Men med allt mer komplexa modeller och många alternativ, hur hittar du effektivt de bästa inställningarna för just ditt problem? Svaret är hyperparameteroptimering!
Lär dig skillnaden mellan hyperparametrar och parametrar samt bästa praxis för att ställa in och analysera hyperparametervärden. Den här grundkursen förbereder dig på att förstå betydelsen av hyperparametrar i maskininlärningsmodeller.
Du kommer att introduceras till Random Search och lära dig om dess fördelar jämfört med Grid Search, till exempel effektivitet i stora parameterutrymmen.
Dessa informerade söktekniker demonstreras genom praktiska exempel, vilket gör att du kan jämföra och kontrastera dem med oinformerade sökmetoder. I slutet kommer du att ha en omfattande förståelse för hur du effektivt optimerar hyperparametrar för att förbättra modellprestanda.
Hyperparametrar kontra parametrar
Få praktisk erfarenhet av att använda olika metoder för automatiserad hyperparameteroptimering i Python med Scikit-Learn.Lär dig skillnaden mellan hyperparametrar och parametrar samt bästa praxis för att ställa in och analysera hyperparametervärden. Den här grundkursen förbereder dig på att förstå betydelsen av hyperparametrar i maskininlärningsmodeller.
Grid search
Bemästra flera tekniker för hyperparameteroptimering, med början i Grid Search. Med hjälp av data om kreditkortsbetalningsinställelse kommer du att öva på att genomföra Grid Search för att systematiskt söka efter de bästa hyperparameterkombinationerna och tolka resultaten.Du kommer att introduceras till Random Search och lära dig om dess fördelar jämfört med Grid Search, till exempel effektivitet i stora parameterutrymmen.
Informerad sökning
I den sista delen av kursen kommer du att utforska avancerade optimeringsmetoder, såsom Bayesianska och genetiska algoritmer.Dessa informerade söktekniker demonstreras genom praktiska exempel, vilket gör att du kan jämföra och kontrastera dem med oinformerade sökmetoder. I slutet kommer du att ha en omfattande förståelse för hur du effektivt optimerar hyperparametrar för att förbättra modellprestanda.
Förkunskapskrav
Kursplan
Kursöversikt
1
Hyperparametrar och parametrar
I det här introduktionskapitlet lär du dig skillnaden mellan hyperparametrar och parametrar. Du tränar på att extrahera och analysera parametrar samt att ange hyperparametervärden för flera populära maskininlärningsalgoritmer. På vägen får du tips och råd om vilka hyperparametrar som är värda att justera, vilka värden du bör välja och hur du bygger inlärningskurvor för att analysera dina val.
- Introduktion och parametrar50 XP
- Parametrar i logistisk regression50 XP
- Extrahera en parameter från logistisk regression100 XP
- Extrahera en parameter från en slumpmässig skog100 XP
- Introduktion till hyperparametrar50 XP
- Hyperparametrar i Random Forests50 XP
- Utforska hyperparametrar i Random Forest100 XP
- Hyperparametrar för KNN100 XP
- Ange och analysera hyperparametervärden50 XP
- Automatisera val av hyperparametrar100 XP
- Bygga inlärningskurvor100 XP
2
Grid Search
Det här kapitlet introducerar en populär metod för automatiserad hyperparameterjustering som kallas Grid Search. Du lär dig vad det är, hur det fungerar och tränar på att genomföra en Grid Search med Scikit-Learn. Sedan lär du dig att analysera resultatet av en Grid Search och får praktisk erfarenhet av det.
3
Random Search
I det här kapitlet introduceras en annan populär metod för automatiserad hyperparameterjustering som kallas Random Search. Du lär dig vad det är, hur det fungerar och framför allt hur det skiljer sig från Grid Search. Du lär dig vilka för- och nackdelar metoden har och när du bör välja den framför Grid Search. Du tränar på att genomföra en Random Search med Scikit-Learn samt på att visualisera och tolka resultaten.
4
Informerad sökning
I det här avslutande kapitlet får du en introduktion till mer avancerade metoder för hyperparameterjustering, samlade under begreppet informerad sökning. Det inkluderar metoden Coarse to Fine samt Bayesianska och genetiska algoritmer för hyperparameterjustering. Du lär dig hur informerad sökning skiljer sig från oinformerad sökning och får praktiska färdigheter inom var och en av dessa metoder, med jämförelser längs vägen.
Hyperparameterjustering i Python
Kurs
slutförd
