Build your ultimate AI agent
课程介绍
作为数据科学家或机器学习科学家，构建强大的机器学习模型在很大程度上取决于所使用的一组超参数。 但随着模型越来越复杂、选项越来越多，你该如何高效地为你的特定问题找到最佳设置？答案就是超参数调优！
了解超参数和参数之间的区别，以及设置和分析超参数值的最佳实践。 这个基础将帮助你理解超参数在机器学习模型中的重要性。
你将了解随机搜索，并学习它相较于网格搜索的优势，例如在大参数空间中的高效性。
这些有信息搜索技术通过实际示例进行演示，帮助你将它们与无信息搜索方法进行比较和对照。 最终，您将全面了解如何有效优化超参数，以提升模型性能.
超参数与参数
在 Python 中使用 Scikit-Learn 通过多种方法获得自动超参数调优的实践经验。了解超参数和参数之间的区别，以及设置和分析超参数值的最佳实践。 这个基础将帮助你理解超参数在机器学习模型中的重要性。
网格搜索
掌握多种超参数调优技术，从网格搜索开始。 使用信用卡违约数据，您将实践进行网格搜索，以穷尽式查找最佳超参数组合并解读结果。你将了解随机搜索，并学习它相较于网格搜索的优势，例如在大参数空间中的高效性。
有指导搜索
在课程的最后部分，你将探索高级优化方法，例如贝叶斯算法和遗传算法。这些有信息搜索技术通过实际示例进行演示，帮助你将它们与无信息搜索方法进行比较和对照。 最终，您将全面了解如何有效优化超参数，以提升模型性能.
先修要求
课程大纲
课程大纲
1
超参数与参数
在本章的入门学习中，您将了解超参数与参数的区别。您会练习提取与分析参数，并为多种常用的机器学习算法设置超参数值。与此同时，您将学习选择要调优哪些超参数及其取值范围的实践技巧，并构建学习曲线来分析您的超参数选择。
2
Grid search
本章将向您介绍一种常用的自动化超参数调优方法——Grid Search。您将了解它是什么、如何工作，并使用 Scikit Learn 实战完成一次 Grid Search。随后，您还将学习如何分析 Grid Search 的输出，并获得相关的实操经验。
3
Random Search
本章将介绍另一种常用的自动化超参数调优方法——Random Search。您将了解它是什么、如何工作，以及它与 grid search 的关键差异。您还会学习该方法的优缺点，以及何时应优先选择它而非 Grid Search。您将使用 Scikit Learn 实战进行一次 Random Search，并对结果进行可视化与解读。
4
Informed Search
在最后一章中，您将初步接触更高级的超参数调优方法，即"informed search"。这包括"Coarse To Fine"方法，以及 Bayesian 与 Genetic 超参数调优算法。您将学习 informed search 与 uninformed search 的区别，并分别获得这些方法的实操技能，在学习过程中进行对比与总结。
Python 中的超参数调优
课程完成
