Descripción
Lleve sus modelos de aprendizaje automático al siguiente nivel aprendiendo a aprovechar la optimización de hiperparámetros, lo que le permitirá controlar los detalles más finos del modelo
Características clave:
- Obtenga una comprensión profunda de cómo funciona la optimización de hiperparámetros.
- Explore la búsqueda exhaustiva, la búsqueda heurística y los métodos de optimización bayesiana y de multifidelidad.
- Aprenda qué método debe usarse para resolver una situación o problema específico.
Descripción del libro:
Los hiperparámetros son un elemento importante en la construcción de modelos de aprendizaje automático útiles. Este libro selecciona numerosos métodos de optimización de hiperparámetros para Python, uno de los lenguajes de codificación más populares para el aprendizaje automático. Junto con explicaciones detalladas de cómo funciona cada método, utilizará un mapa de decisión que puede ayudarle a identificar el mejor método de ajuste para sus necesidades.
Comenzará con una introducción a la optimización de hiperparámetros y comprenderá por qué es importante. A continuación, aprenderá los mejores métodos para la optimización de hiperparámetros para una variedad de casos de uso y tipos de algoritmos específicos. Este libro no solo cubrirá la cuadrícula habitual o la búsqueda aleatoria, sino también otros métodos potentes y desfavorecidos. También se dedican capítulos individuales a los tres grupos principales de métodos de ajuste de hiperparámetros: búsqueda exhaustiva, búsqueda heurística, optimización bayesiana y optimización multifidelidad. Más adelante, aprenderá sobre los principales frameworks como Scikit, Hyperopt, Optuna, NNI y DEAP para implementar la optimización de hiperparámetros. Finalmente, cubrirá los hiperparámetros de algoritmos populares y las mejores prácticas que le ayudarán a optimizar eficientemente su hiperparámetro.
Al final de este libro, tendrá las habilidades necesarias para tomar el control total de sus modelos de aprendizaje automático y obtener los mejores modelos para los mejores resultados.
Lo que aprenderá:
- Descubra el espacio de hiperparámetros y los tipos de distribuciones de hiperparámetros.
- Explore la búsqueda manual, de cuadrícula y aleatoria, y los pros y los contras de cada una.
- Comprenda los métodos potentes y desfavorecidos junto con las mejores prácticas.
- Explore los hiperparámetros de algoritmos populares.
- Descubra cómo ajustar los hiperparámetros en diferentes frameworks y bibliotecas.
- Profundice en frameworks principales como Scikit, Hyperopt, Optuna, NNI y DEAP.
- Domine las mejores prácticas que puede aplicar a sus modelos de aprendizaje automático de inmediato.
Para quién es este libro:
Este libro es para científicos de datos e ingenieros de ML que trabajan con Python y desean impulsar aún más el rendimiento de sus modelos de ML utilizando el método de ajuste de hiperparámetros adecuado. Aunque se necesita una comprensión básica del aprendizaje automático y cómo codificar en Python, no se requiere ningún conocimiento previo de ajuste de hiperparámetros en Python.
Autor: Louis Owen
Editorial: Packt Publishing
Publicado: 29/07/2022
Páginas: 306
Tipo de encuadernación: Tapa blanda
Peso: 1.16 libras
Tamaño: 9.25h x 7.50w x 0.64d
ISBN13: 9781803235875
ISBN10: 180323587X
Categorías BISAC:
- Computadoras | Informática
- Computadoras | Inteligencia Artificial | General
- Computadoras | Teoría de máquinas
Este título no es retornable