Hiperparaméter-optimalizálás a gépi tanulásban: A gépi tanulás és a mélytanulás modelljeinek hatékonyabbá tétele

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 6 olvasói szavazat alapján történt.

Eredeti címe:

Hyperparameter Optimization in Machine Learning: Make Your Machine Learning and Deep Learning Models More Efficient

Könyv tartalma:

⬤ ​.

1. fejezet: Hiperparaméterek.

A fejezet célja: Bemutatni, hogy mik azok a hiperparaméterek, hogyan befolyásolhatják a modell képzését. Megmutatja továbbá, hogy a hiperparaméterek hogyan befolyásolják az általános gépi tanulási algoritmusokat, és milyen értéket kell választanunk a képzési adathalmaznak megfelelően. Rész-témák1. Bevezetés a hiperparaméterekbe. 2. Miért van szükségünk a hiperparaméterek hangolására3. Speciális algoritmusok és hiperparamétereik4. Csalóka táblázat néhány konkrét algoritmus hiperparaméterének meghatározásához.

2. fejezet: Brute Force hiperparaméter-hangolásA fejezet célja: Az általánosan használt klasszikus hiperparaméter-hangolási módszerek megértése és a semmiből történő megvalósítása, valamint a Scikit-Learn könyvtár használata ehhez. Rész - témakörök: 1. Hiperparaméter-hangolás2. Kimerítő hiperparaméter-hangolási módszerek3. Rácsos keresés4. Véletlenszerű keresés5. A modellek értékelése a hiperparaméterek hangolása során.

3. fejezet: Elosztott hiperparaméter-optimalizálásA fejezet célja: Nagyobb adathalmazok és nagyszámú hiperparaméter folyamatos keresési térrel történő kezelése elosztott algoritmusok és elosztott hiperparaméter-optimalizálási módszerek segítségével, a Dask könyvtár használatával. Rész - témakörök: 1. Miért van szükségünk elosztott hangolásra2. Dask adatkeretek3. Inkrementális keresésCV.

4. fejezet: Szekvenciális modellalapú globális optimalizálás és hierarchikus módszereiKapacitás célja: Egy részletes elméleti fejezet az SMBO módszerekről, amely Bajesi technikákat használ a hiperparaméterek optimalizálására. Tanulnak az előző iterációjukbólnem úgy, mint a rácsos keresés vagy a véletlenszerű keresés. Rész - témák: 1. Szekvenciális modellalapú globális optimalizálás2. Gauss-folyamat megközelítés3. Faszerkezetű Parzen-becslő (TPE)

5. fejezet: A HyperOpt használataA fejezet célja: Egy olyan hyperopt könyvtárra összpontosító fejezet, amely az előző fejezetben tárgyalt TPE algoritmust valósítja meg. Cél, hogy a TPE algoritmust használjuk ahiperparaméterek optimalizálására, és hogy az olvasó megismerje, hogy ez a módszer mennyivel jobb, mint más módszerek. Az értékelések párhuzamosításához MongoDB-t fogunk használni. A Hyperopt Scikit-Learn és a Hyperas tárgyalása példákkal. 1. Egy célfüggvény meghatározása. 2. Keresési tér létrehozása. 3. A HyperOpt futtatása. 4. MongoDB Trials használata párhuzamos kiértékelések elvégzéséhez. 5. HyperOpt SkLearn6. Hyperas.

6. fejezet: Hiperparaméter generáló feltétel generatív adverzális neurális hálózatok (HG-cGAN) és így Forth. Fejezet célja: A fejezet egy hipotézisre épül, hogy az adathalmazok bizonyos tulajdonságai alapján hogyan lehet neurális hálózatokat képezni a metaadatokon és hiperparamétereket generálni új adathalmazokhoz. Összefoglalja azt is, hogy a hiperparaméter-hangolás ezen újabb módszerei hogyan segíthetik a mesterséges intelligencia további fejlődését. Al - témák: A témakörökhöz kapcsolódóan a következő témakörök kerülnek bemutatásra: 1. Metaadatok generálása2. HG-cGAN-ok képzése3. A mesterséges intelligencia és a hiperparaméter-hangolás.