After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
För många maskininlärningsproblem räcker det inte att bara köra en modell direkt och få en prediktion – du vill ha den bästa modellen med den mest träffsäkra prediktionen. Ett sätt att förbättra din modell är hyperparameterjustering, vilket innebär att du optimerar inställningarna för just den modellen. I den här kursen arbetar du med paketen caret, mlr och h2o för att hitta den optimala kombinationen av hyperparametrar på ett effektivt sätt med hjälp av grid search, slumpmässig sökning, adaptiv omsampling och automatisk maskininlärning (AutoML). Du kommer även att arbeta med olika datamängder och justera olika övervakade inlärningsmodeller, till exempel random forests, gradient boosting machines, support vector machines och neurala nätverk. Dags att börja justera!
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till hyperparametrar
Varför använder vi det märkliga ordet "hyperparameter"? Vad gör det hyper? Här får du förståelse för vad modellparametrar är och varför de skiljer sig från hyperparametrar inom maskininlärning. Du ser också varför vi vill justera dem och hur carets standardinställningar automatiskt inkluderar hyperparameterjustering.
- Parametrar och hyperparametrar50 XP
- Modellparametrar vs. hyperparametrar100 XP
- Hyperparametrar i linjära modeller50 XP
- Vad är koefficienterna?100 XP
- Repetition av grunderna i maskininlärning50 XP
- Maskininlärning med caret100 XP
- Resamplingscheman50 XP
- Hyperparameterjustering i caret50 XP
- Hyperparametrar i Stochastic Gradient Boosting50 XP
- Ändra antalet hyperparametrar att finjustera100 XP
- Justera hyperparametrar manuellt100 XP
2
Hyperparameterjustering med caret
I det här kapitlet lär du dig att justera hyperparametrar med ett kartesiskt grid. Sedan implementerar du snabbare och mer effektiva metoder. Du använder slumpmässig sökning och adaptiv omsampling för att justera parametergridet på ett sätt som fokuserar på värden i närheten av de optimala inställningarna.
3
Hyperparameterjustering med mlr
Här använder du ett annat paket för maskininlärning med mycket praktiska funktioner för hyperparameterjustering. Du definierar ett kartesiskt grid eller utför slumpmässig sökning, samt tillämpar avancerade tekniker. Du lär dig också olika sätt att visualisera och utvärdera modeller med olika hyperparametrar.
4
Hyperparameterjustering med h2o
I det här avslutande kapitlet använder du h2o, ett annat paket för maskininlärning med mycket praktiska funktioner för hyperparameterjustering. Du tränar olika modeller och definierar ett kartesiskt grid. Sedan implementerar du en slumpmässig sökning med stoppkriterier. Slutligen lär du dig AutoML – ett gränssnitt i h2o som möjliggör snabb och smidig modell- och hyperparameterjustering med bara en funktion.
R
Hyperparameterjustering i R
Kurs
slutförd
