After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Як фахівець із даних або машинного навчання, створення потужних моделей машинного навчання значною мірою залежить від набору гіперпараметрів, що використовуються. Але з дедалі складнішими моделями з великою кількістю параметрів, як ефективно знайти найкращі налаштування саме для вашої задачі? Відповідь — це налаштування гіперпараметрів!
Дізнайтеся різницю між гіперпараметрами та параметрами, а також найкращі практики налаштування й аналізу значень гіперпараметрів. Цей фундаментальний курс підготує вас до розуміння значення гіперпараметрів у моделях машинного навчання.
Ви ознайомитеся з Random Search і дізнаєтеся про його переваги над Grid Search, зокрема про ефективність у великих просторах параметрів.
Ці інформовані методи пошуку демонструються на практичних прикладах, що дає змогу порівняти й зіставити їх із неінформованими методами пошуку. Наприкінці ви матимете всебічне розуміння того, як ефективно оптимізувати гіперпараметри для підвищення продуктивності моделі.
Гіперпараметри vs. параметри
Отримайте практичний досвід використання різних методологій автоматизованого налаштування гіперпараметрів у Python за допомогою Scikit-Learn.Дізнайтеся різницю між гіперпараметрами та параметрами, а також найкращі практики налаштування й аналізу значень гіперпараметрів. Цей фундаментальний курс підготує вас до розуміння значення гіперпараметрів у моделях машинного навчання.
Пошук по сітці
Опануйте кілька технік налаштування гіперпараметрів, починаючи з пошуку по сітці. Використовуючи дані про дефолт за кредитною карткою, ви потренуєтеся проводити Grid Search, щоб вичерпно знаходити найкращі комбінації гіперпараметрів і інтерпретувати результати.Ви ознайомитеся з Random Search і дізнаєтеся про його переваги над Grid Search, зокрема про ефективність у великих просторах параметрів.
Інформований пошук
У завершальній частині курсу ви ознайомитеся з передовими методами оптимізації, такими як байєсівські та генетичні алгоритми.Ці інформовані методи пошуку демонструються на практичних прикладах, що дає змогу порівняти й зіставити їх із неінформованими методами пошуку. Наприкінці ви матимете всебічне розуміння того, як ефективно оптимізувати гіперпараметри для підвищення продуктивності моделі.
Попередні вимоги
Навчальний план
Зміст курсу
1
Гіперпараметри та параметри
У цьому вступному розділі ви дізнаєтеся різницю між гіперпараметрами та параметрами. Ви попрактикуєтеся у вилученні й аналізі параметрів, встановленні значень гіперпараметрів для кількох популярних алгоритмів машинного навчання. Паралельно ви опануєте корисні поради й прийоми щодо вибору гіперпараметрів для тюнінгу, добору значень і побудови кривих навчання для аналізу зроблених виборів.
- Вступ і «параметри»50 XP
- Параметри в логістичній регресії50 XP
- Витяг параметра Logistic Regression100 XP
- Добування параметра Random Forest100 XP
- Ознайомлення з гіперпараметрами50 XP
- Гіперпараметри в Random Forest50 XP
- Дослідження гіперпараметрів Random Forest100 XP
- Гіперпараметри KNN100 XP
- Налаштування й аналіз значень гіперпараметрів50 XP
- Автоматизація вибору гіперпараметрів100 XP
- Побудова кривих навчання100 XP
2
Grid search
У цьому розділі ви познайомитеся з популярною методологією автоматизованого тюнінгу гіперпараметрів — Grid Search. Ви дізнаєтеся, що це таке, як це працює, і виконаєте Grid Search у Scikit Learn. Далі ви навчитеся аналізувати результати Grid Search і закріпите це на практиці.
3
Random Search
У цьому розділі ви познайомитеся з іншою популярною методологією автоматизованого тюнінгу гіперпараметрів — Random Search. Ви дізнаєтеся, що це таке, як це працює і, що важливо, чим воно відрізняється від grid search. Ви розглянете переваги й недоліки методу та коли варто обирати його замість Grid Search. Ви виконаєте Random Search у Scikit Learn, а також візуалізуєте й інтерпретуєте отримані результати.
4
Informed Search
У фінальному розділі ви отримаєте уявлення про більш просунуті методи тюнінгу гіперпараметрів, відомі як «informed search». Сюди входить підхід Coarse To Fine, а також байєсівські та генетичні алгоритми тюнінгу. Ви дізнаєтеся, чим informed search відрізняється від uninformed search, і отримаєте практичні навички з кожною з означених методологій, порівнюючи та зіставляючи їх у процесі.
Тюнінг гіперпараметрів у Python
Курс
завершено
