or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ในบทแนะนำนี้ จะได้เรียนรู้ความแตกต่างระหว่าง hyperparameter และ parameter รวมถึงฝึกดึงข้อมูลและวิเคราะห์ parameter ตลอดจนตั้งค่า hyperparameter สำหรับอัลกอริทึม machine learning ยอดนิยมหลายรูปแบบ นอกจากนี้ยังจะได้เรียนรู้เทคนิคและแนวปฏิบัติที่ดีในการเลือก hyperparameter ที่ควรปรับแต่ง พร้อมสร้าง learning curve เพื่อวิเคราะห์ผลการเลือก hyperparameter ของคุณ
บทนี้จะแนะนำวิธีการปรับ hyperparameter แบบอัตโนมัติที่ได้รับความนิยม ซึ่งเรียกว่า Grid Search โดยจะได้เรียนรู้ว่ามันคืออะไร ทำงานอย่างไร และฝึกทำ Grid Search โดยใช้ Scikit-Learn จากนั้นจะได้เรียนรู้วิธีวิเคราะห์ผลลัพธ์ที่ได้จาก Grid Search พร้อมฝึกปฏิบัติจริง
ในบทนี้ จะได้รู้จักกับวิธีการปรับ hyperparameter แบบอัตโนมัติอีกรูปแบบหนึ่งที่ได้รับความนิยม เรียกว่า Random Search โดยจะได้เรียนรู้ว่ามันคืออะไร ทำงานอย่างไร และที่สำคัญคือแตกต่างจาก Grid Search อย่างไร รวมถึงข้อดีและข้อเสียของวิธีนี้ และสถานการณ์ที่ควรเลือกใช้แทน Grid Search จะได้ฝึกทำ Random Search ด้วย Scikit-Learn พร้อมกับการแสดงผลและตีความผลลัพธ์ที่ได้
ในบทสุดท้ายนี้ จะได้สัมผัสกับวิธีการปรับ hyperparameter ขั้นสูงที่เรียกว่า 'informed search' ซึ่งรวมถึงวิธีการ Coarse to Fine รวมถึงอัลกอริทึม Bayesian และอัลกอริทึมเชิงพันธุกรรม (Genetic Algorithms) จะได้เรียนรู้ว่า informed search แตกต่างจาก uninformed search อย่างไร และได้ฝึกทักษะจริงกับแต่ละวิธีที่กล่าวถึง พร้อมเปรียบเทียบข้อดีข้อเสียของแต่ละแนวทางไปพร้อมกัน
แบบฝึกหัดปัจจุบัน