Налаштування гіперпараметрів у MLP

Яке з наведених тверджень про налаштування гіперпараметрів для нейронних мереж є правильним?

Ця вправа є частиною курсу

Прогнозування CTR за допомогою машинного навчання в Python

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Прогнозування CTR за допомогою машинного навчання в Python

SkillTag.level.intermediateSkillTag.label

4.9+

Почніть курс безкоштовно

Швидше за все, ви опинилися тут, натиснувши посилання. У цьому розділі ви дізнаєтеся, чому показник клікабельності (CTR) є ключовим для таргетованої реклами, як виконувати базові операції з датафреймами та як використовувати моделі машинного навчання для прогнозування CTR.

Exercise 1: Вступ до click-through rate (CTR)Exercise 2: Перші кроки Exercise 3: Дослідження ознак Exercise 4: Перша оцінка даних Exercise 5: Огляд моделей машинного навчання Exercise 6: Логістична регресія для раку молочної залози Exercise 7: Логістична регресія для зображень Exercise 8: Другa навчальна модель Exercise 9: Прогнозування CTR за допомогою дерев рішень Exercise 10: Реалізація моделі Exercise 11: Перша модель для CTR Exercise 12: Поза межами простої точності

Цей розділ дає основу для розвідувального аналізу даних (EDA). На зразкових даних ви скористаєтеся бібліотекою pandas, щоб переглядати стовпці та типи даних, досліджувати пропуски, а також застосовувати хешування для інженерії ознак на категоріальних змінних. Усе це важливо під час вивчення ознак для точнішого прогнозування CTR.

Exercise 1: Розвідувальний аналіз даних Exercise 2: Перший погляд Exercise 3: Перевірка наявності пропущених значень Exercise 4: Розподіли за CTR Exercise 5: Інженерія ознак Exercise 6: Аналіз стовпців datetime Exercise 7: Перетворення категоріальних змінних Exercise 8: Створення нових ознак Exercise 9: Стандартизація ознак Exercise 10: Лог-нормалізація Exercise 11: Розуміння стандартизації Exercise 12: Стандартизування (standard scaling)

Час зануритися глибше. Дізнайтеся, як використовувати показники якості моделей, зокрема precision і recall, щоб відповідати на прикладні запитання, наприклад оцінювання окупності рекламних витрат (ROI). Ви також вивчите способи покращити ці метрики оцінювання, зокрема ансамблеві методи та налаштування гіперпараметрів.

Exercise 1: Застосування оцінювання метрик Exercise 2: Чотири категорії результатів Exercise 3: Оцінювання чотирьох категорій Exercise 4: ROI від витрат на рекламу Exercise 5: Оцінювання моделі Exercise 6: Точність і повнота Exercise 7: Базова лінія Exercise 8: Порівняння класифікаторів Exercise 9: Налаштування моделей Exercise 10: Регуляризація Exercise 11: Крос‑валідація Exercise 12: Вибір моделі Exercise 13: Ансамблі та підбір гіперпараметрів Exercise 14: Розуміння налаштування гіперпараметрів Exercise 15: Random forests Exercise 16: Пошук по сітці (Grid search)

Прибутки можуть суттєво залежати від CTR вашої кампанії. У цьому розділі ви дізнаєтеся, як глибоке навчання допомагає зменшити цей ризик. Ви зосередитеся на багатошаровому перцептроні (MLP) та моделях нейронних мереж і навчитеся, як вони відображають складні взаємозв'язки між змінними для точнішого прогнозування CTR. Наприкінці ви розглянете, як застосовувати базові підходи до налаштування гіперпараметрів і регуляризації в задачах класифікації.

Exercise 1: Вступ до глибокого навчання Exercise 2: Розуміння MLP Exercise 3: Початкове моделювання Exercise 4: MLP для CTR Exercise 5: Налаштування гіперпараметрів у deep learning Exercise 6: Налаштування гіперпараметрів у MLP

Поточна вправа

Exercise 7: Зміна гіперпараметрів Exercise 8: Пошук по сітці для MLP Exercise 9: Оцінювання моделі Exercise 10: F-бета Exercise 11: Низька precision і високий AUC Exercise 12: Precision, ROI та AUC Exercise 13: Огляд і порівняння моделей Exercise 14: Розминка: порівняння моделей Exercise 15: Оцінювання precision і ROI Exercise 16: Підсумкове оцінювання Exercise 17: Підсумкове відео