Build your ultimate AI agent
รายละเอียดคอร์ส
สำหรับปัญหา machine learning หลายประเภท การรันโมเดลแล้วได้ผลทำนายออกมาเพียงอย่างเดียวยังไม่เพียงพอ เพราะเป้าหมายคือการได้โมเดลที่ดีที่สุดพร้อมการทำนายที่แม่นยำที่สุด วิธีหนึ่งในการพัฒนาโมเดลคือการปรับ hyperparameter ซึ่งหมายถึงการปรับค่าตั้งต้นให้เหมาะสมกับโมเดลนั้น ๆ ในคอร์สนี้ จะได้ใช้แพ็กเกจ caret, mlr และ h2o เพื่อค้นหาการผสมผสาน hyperparameter ที่เหมาะสมที่สุดอย่างมีประสิทธิภาพ ด้วยวิธี grid search, random search, adaptive resampling และ automatic machine learning (AutoML) นอกจากนี้ยังจะได้ทดลองกับชุดข้อมูลที่หลากหลายและปรับโมเดล supervised learning ต่าง ๆ เช่น random forests, gradient boosting machines, support vector machines และ neural nets พร้อมแล้วก็เริ่มปรับกันเลย!
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
บทนำสู่ hyperparameter
ทำไมถึงใช้คำแปลก ๆ อย่าง "hyperparameter"? อะไรทำให้มันพิเศษกว่า parameter ทั่วไป? ในบทนี้จะทำความเข้าใจว่า parameter ของโมเดลคืออะไร และแตกต่างจาก hyperparameter ใน machine learning อย่างไร จากนั้นจะได้เห็นว่าเหตุใดจึงต้องปรับค่าเหล่านี้ และค่าเริ่มต้นของ caret มีการปรับ hyperparameter อยู่โดยอัตโนมัติอย่างไร
- พารามิเตอร์ vs ไฮเปอร์พารามิเตอร์50 XP
- พารามิเตอร์ของโมเดล vs. ไฮเปอร์พารามิเตอร์100 XP
- Hyperparameters ในโมเดลเชิงเส้น50 XP
- ค่าสัมประสิทธิ์คืออะไร?100 XP
- ทบทวนพื้นฐาน Machine Learning50 XP
- Machine learning ด้วย caret100 XP
- รูปแบบการ Resampling50 XP
- การปรับ Hyperparameter ใน caret50 XP
- Hyperparameter ใน Stochastic Gradient Boosting50 XP
- การเปลี่ยนจำนวน Hyperparameter ที่ต้องการ Tune100 XP
- ปรับแต่งไฮเปอร์พารามิเตอร์ด้วยตนเอง100 XP
2
การปรับ hyperparameter ด้วย caret
ในบทนี้จะได้เรียนรู้วิธีปรับ hyperparameter ด้วย Cartesian grid จากนั้นจะนำแนวทางที่รวดเร็วและมีประสิทธิภาพยิ่งขึ้นมาใช้ โดยจะใช้ Random Search และ adaptive resampling เพื่อปรับ parameter grid ให้มุ่งเน้นไปที่ค่าในบริเวณใกล้เคียงกับค่าที่เหมาะสมที่สุด
3
การปรับ hyperparameter ด้วย mlr
ในบทนี้จะได้ใช้แพ็กเกจ machine learning อีกตัวที่มีฟังก์ชันปรับ hyperparameter ที่สะดวกมาก ทั้งการกำหนด Cartesian grid และการทำ Random Search รวมถึงเทคนิคขั้นสูงต่าง ๆ นอกจากนี้ยังจะได้เรียนรู้วิธีพล็อตและประเมินโมเดลที่มี hyperparameter แตกต่างกัน
4
การปรับ hyperparameter ด้วย h2o
ในบทสุดท้ายนี้จะได้ใช้ h2o ซึ่งเป็นแพ็กเกจ machine learning อีกตัวที่มีฟังก์ชันปรับ hyperparameter ที่สะดวกมาก จะได้ใช้มันเพื่อฝึกโมเดลต่าง ๆ และกำหนด Cartesian grid จากนั้นจะนำ Random Search มาใช้พร้อมกำหนดเงื่อนไขหยุดการทำงาน สุดท้ายจะได้เรียนรู้ AutoML ซึ่งเป็นอินเทอร์เฟซของ h2o ที่ช่วยให้ปรับโมเดลและ hyperparameter ได้อย่างรวดเร็วและสะดวกด้วยฟังก์ชันเดียว
R
การปรับ Hyperparameter ใน R
เรียนจบแล้ว
