在這一章的入門內容中，你會學到超參數與參數的差異。你會練習擷取與分析參數，並為多個常見的機器學習演算法設定超參數值。過程中你也會學到實務上的技巧與最佳做法，包括該調哪些超參數、要設定哪些值，並建立學習曲線來分析你的超參數選擇。

導論與「參數」

邏輯迴歸中的參數

擷取邏輯斯迴歸的參數

擷取隨機森林的參數

認識超參數

隨機森林的超參數

探索 Random Forest 的超參數

KNN 的超參數

設定與分析超參數值

自動化超參數選擇

建立學習曲線

超參數與參數

本章將介紹廣泛使用的自動化超參數調校方法：Grid Search。你會了解它是什麼、如何運作，並實作使用 Scikit Learn 進行 Grid Search。接著你會學習如何分析 Grid Search 的輸出結果，並獲得實作經驗。

認識 Grid Search

建立 Grid Search 函式

反覆調整多個超參數

要建立多少個模型？

使用 Scikit Learn 進行 Grid Search

GridSearchCV 的輸入

使用 Scikit Learn 的 GridSearchCV

理解 Grid Search 的輸出

使用最佳輸出

探索 grid search 結果

分析最佳結果

使用最佳結果

Grid search

本章將介紹另一個常見的自動化超參數調校方法：Random Search。你會了解它是什麼、如何運作，以及它與 grid search 的差異。你會學習此方法的優缺點，並知道何時該選擇它而非 Grid Search。你也會使用 Scikit Learn 進行 Random Search，並視覺化與解讀輸出結果。

隨機搜尋介紹

隨機抽樣超參數

用 Random Forest 進行隨機搜尋

視覺化 Random Search

在 Scikit Learn 進行 Random Search

RandomSearchCV 的輸入參數

RandomizedSearchCV 物件

Scikit Learn 中的 RandomizedSearchCV

比較 Grid Search 與 Random Search

比較 Random Search 與 Grid Search

Grid 與 Random Search 並排比較

Random Search

在最後一章，你將接觸更進階的超參數調校方法，統稱為「informed search」。其中包含由粗到細（Coarse To Fine）的方法，以及 Bayesian 與 Genetic 的超參數調校演算法。你會了解 informed search 與 uninformed search 的差別，並針對各種方法進行實作與比較。

Informed Search：由粗到細

視覺化 Coarse to Fine

由粗到細的反覆試驗

Informed Search：Bayesian Statistics

在 Python 中應用貝氏法則

使用 Hyperopt 進行貝葉斯式超參數調校

Informed Search：Genetic Algorithms

使用 TPOT 進行遺傳式超參數調校

分析 TPOT 的穩定性

恭喜你！

Informed Search

Credit Card Defaults

打造強大的機器學習模型，關鍵在於選對超參數。面對越來越複雜且選項繁多的模型，該如何有效率地為你的問題找到最佳設定？在本課程中，你會實作多種常見的自動化超參數調校方法，使用 Python 與 Scikit Learn。內容包含 Grid Search、Random Search，以及進階最佳化方法，例如 Bayesian 與 Genetic 演算法。你將運用一個信用卡違約預測資料集，一步步培養能力，讓你建立機器學習模型的效率與效能大幅提升。

作為資料或機器學習科學家，建立強大機器學習模型在很大程度上取決於所使用的超參數組合。 但隨著模型日益複雜且選項眾多，您該如何有效率地為您的特定問題找到最佳設定呢？答案是超參數調整！<br><br><h2>超參數與參數的比較</h2>
透過 Python 與 Scikit-Learn，實際體驗各種自動化超參數調整方法，提升您的實作能力。 <br><br>了解超參數與參數之間的差異，以及設定與分析超參數值的最佳實踐。 這個基礎課程將幫助您了解超參數在機器學習模型中的重要性。<br><br>
<h2>網格搜尋</h2>從網格搜尋開始，精通多種超參數調整技術。 使用信用卡違約資料，您將實際操作 Grid Search，全面搜尋最佳超參數組合，並解讀結果。<br><br>您將會認識隨機搜尋，並了解其在大型參數空間中相較於網格搜尋的效率等優勢。 <br><br><h2>知識型搜尋</h2>在課程的最後部分，您將深入探討進階最佳化方法，例如貝葉斯演算法與遺傳演算法。 <br><br>
這些知識型搜尋技術將透過實際範例進行示範，讓您能夠與非知識型搜尋方法進行比較與對照。 完成本課程後，您將全面了解如何有效地調整超參數，以提升模型效能。.

Supervised Learning with scikit-learn

學習Python中的自動超參數調整技術，包括網格、隨機和知識搜尋。

Python 超參數調校

掌握 Python 中自動化超參數調整技巧，涵蓋 Grid、Random 及 Informed Search 方法。 

機器學習科學家 使用 Python

監督式機器學習 使用 Python

使用最佳輸出

Python 超參數調校

動手互動練習