به Hyperparameter Optimization برای یادگیری ماشین خوش آمدید. در این دوره، تکنیک های متعددی را برای انتخاب بهترین هایپرپارامترها و بهبود عملکرد مدل های یادگیری ماشینی خود خواهید آموخت.
اگر به طور مرتب مدل های یادگیری ماشین را به عنوان سرگرمی یا برای سازمان خود آموزش می دهید و می خواهید عملکرد مدل های خود را بهبود ببخشید، اگر مایلید در رقابت های علمی داده به رتبه برتر بپرید، یا به سادگی می خواهید در مورد نحوه تنظیم فراپارامترهای مدل های یادگیری ماشین بیشتر بیاموزید، این دوره به شما نشان می دهد که چگونه.
ما شما را گام به گام از طریق آموزش های ویدئویی جذاب راهنمایی می کنیم و هر آنچه را که در مورد تنظیم هایپرپارامتر باید بدانید را به شما آموزش می دهیم. در طول این دوره جامع، تقریباً همه رویکردهای موجود برای بهینهسازی هایپرپارامترها را پوشش میدهیم، در مورد منطق آنها، مزایا و کاستیهای آنها، ملاحظاتی که باید در هنگام استفاده از این تکنیک و اجرای آنها در پایتون داشته باشیم، بحث میکنیم.
به طور خاص، یاد خواهید گرفت:
هیپرپارامترها چیست و چرا تنظیم اهمیت دارد
استفاده از اعتبارسنجی متقابل و اعتبارسنجی متقابل تودرتو برای بهینهسازی
جستجوی شبکه ای و جستجوی تصادفی برای فراپارامترها
بهینه سازی بیزی
برآورنده های Parzen با ساختار درختی
SMAC، بهینه سازی مبتنی بر جمعیت و سایر الگوریتم های SMBO
نحوه پیادهسازی این تکنیکها با بستههای منبع باز موجود از جمله Hyperopt، Optuna، Scikit-optimize، Keras Turner و موارد دیگر.
در پایان دوره، میتوانید تصمیم بگیرید که کدام رویکرد را میخواهید دنبال کنید و آن را با کتابخانههای منبع باز موجود انجام دهید.
این دوره جامع یادگیری ماشینی شامل بیش از 50 سخنرانی است که حدود 8 ساعت ویدیو را شامل میشود، و همه موضوعات شامل نمونههای عملی کد پایتون است که میتوانید برای مرجع و تمرین استفاده کنید و در پروژههای خود مجدداً استفاده کنید.
پس منتظر چه چیزی هستید؟ همین امروز ثبت نام کنید، یاد بگیرید که چگونه فراپارامترهای مدل های خود را تنظیم کنید و مدل های یادگیری ماشین بهتری بسازید.
دانشمند داده | مربی | توسعه دهنده نرم افزار
نمایش نظرات