In this introductory chapter you will learn the difference between hyperparameters and parameters. You will practice extracting and analyzing parameters, setting hyperparameter values for several popular machine learning algorithms. Along the way you will learn some best practice tips & tricks for choosing which hyperparameters to tune and what values to set & build learning curves to analyze your hyperparameter choices.

Pengantar & 'Parameter'

Parameter dalam Logistic Regression

Mengekstrak parameter Logistic Regression

Mengekstrak parameter Random Forest

Pengenalan Hyperparameter

Hyperparameter pada Random Forest

Mengeksplorasi Hyperparameter Random Forest

Hyperparameter KNN

Menetapkan dan Menganalisis Nilai Hyperparameter

Mengotomatisasi Pemilihan Hyperparameter

Membangun Kurva Pembelajaran

Hyperparameters and Parameters

This chapter introduces you to a popular automated hyperparameter tuning methodology called Grid Search. You will learn what it is, how it works and practice undertaking a Grid Search using Scikit Learn. You will then learn how to analyze the output of a Grid Search & gain practical experience doing this.

Introducing Grid Search

Build Grid Search functions

Iteratively tune multiple hyperparameters

How Many Models?

Grid Search with Scikit Learn

GridSearchCV inputs

GridSearchCV with Scikit Learn

Understanding a grid search output

Using the best outputs

Exploring the grid search results

Analyzing the best results

Using the best results

Grid search

In this chapter you will be introduced to another popular automated hyperparameter tuning methodology called Random Search. You will learn what it is, how it works and importantly how it differs from grid search. You will learn some advantages and disadvantages of this method and when to choose this method compared to Grid Search. You will practice undertaking a Random Search with Scikit Learn as well as visualizing & interpreting the output.

Introducing Random Search

Randomly Sample Hyperparameters

Randomly Search with Random Forest

Visualizing a Random Search

Random Search in Scikit Learn

RandomSearchCV inputs

The RandomizedSearchCV Object

RandomSearchCV in Scikit Learn

Comparing Grid and Random Search

Comparing Random & Grid Search

Grid and Random Search Side by Side

Random Search

In this final chapter you will be given a taste of more advanced hyperparameter tuning methodologies known as ''informed search''. This includes a methodology known as Coarse To Fine as well as Bayesian & Genetic hyperparameter tuning algorithms. You will learn how informed search differs from uninformed search and gain practical skills with each of the mentioned methodologies, comparing and contrasting them as you go.

Informed Search: Coarse to Fine

Visualizing Coarse to Fine

Coarse to Fine Iterations

Informed Search: Bayesian Statistics

Bayes Rule in Python

Bayesian Hyperparameter tuning with Hyperopt

Informed Search: Genetic Algorithms

Genetic Hyperparameter Tuning with TPOT

Analysing TPOT's stability

Congratulations!

Informed Search

Credit Card Defaults

Membangun model Machine Learning yang andal sangat bergantung pada kumpulan hyperparameter yang digunakan. Namun dengan model yang semakin kompleks dan banyak opsi, bagaimana cara menemukan setelan terbaik untuk masalah Anda secara efisien? Dalam kursus ini Anda akan mendapatkan pengalaman praktis menggunakan beberapa metodologi umum untuk penyetelan hyperparameter otomatis di Python dengan Scikit Learn. Ini mencakup Grid Search, Random Search, serta metodologi optimasi lanjutan termasuk algoritme Bayesian & Genetic. Anda akan menggunakan himpunan data prediksi gagal bayar kartu kredit sambil membangun keterampilan untuk secara drastis meningkatkan efisiensi dan efektivitas proses pembangunan model Machine Learning Anda.

Sebagai ilmuwan data atau ilmuwan pembelajaran mesin, membangun model pembelajaran mesin yang kuat sangat bergantung pada kumpulan hiperparameter yang digunakan. Namun, dengan model yang semakin kompleks dan memiliki banyak opsi, bagaimana cara menemukan pengaturan terbaik untuk masalah spesifik Anda secara efisien? Jawabannya adalah penyesuaian hiperparameter! <br><br><h2>Hiperparameter vs. parameter</h2>
Dapatkan pengalaman praktis dalam menggunakan berbagai metode untuk penyesuaian hiperparameter otomatis di Python dengan Scikit-Learn. <br><br>Pelajari perbedaan antara hyperparameter dan parameter, serta praktik terbaik dalam menetapkan dan menganalisis nilai hyperparameter. Fondasi ini akan mempersiapkan Anda untuk memahami pentingnya hiperparameter dalam model pembelajaran mesin.<br><br>
<h2>Pencarian grid</h2>Kuasai beberapa teknik penyesuaian hiperparameter, mulai dari Grid Search. Menggunakan data default kartu kredit, Anda akan berlatih melakukan Grid Search untuk mencari secara menyeluruh kombinasi hiperparameter terbaik dan menafsirkan hasilnya. <br><br>Anda akan diperkenalkan pada Random Search, dan mempelajari keunggulannya dibandingkan Grid Search, seperti efisiensi dalam ruang parameter yang besar. <br><br><h2>Pencarian yang terinformasi</h2>Pada bagian akhir kursus ini, Anda akan mempelajari metode optimasi lanjutan, seperti algoritma Bayesian dan algoritma genetika. <br><br>
Teknik pencarian yang terinformasi ini dijelaskan melalui contoh-contoh praktis, memungkinkan Anda untuk membandingkan dan membedakan teknik-teknik tersebut dengan metode pencarian yang tidak terinformasi. Pada akhirnya, Anda akan memiliki pemahaman yang komprehensif tentang cara mengoptimalkan hiperparameter secara efektif untuk meningkatkan kinerja model..

Supervised Learning with scikit-learn

Pelajari teknik penyetelan hyperparameter otomatis di Python, termasuk Grid, Random, dan Informed Search.

Penyetelan Hyperparameter di Python

Pelajari teknik-teknik untuk penyesuaian hiperparameter otomatis dalam Python, termasuk Grid, Random, dan Informed Search. 

Pengenalan Hyperparameter

Create Your Free Account