تنظیم فراپارامتر با پایتون؛ تقویت عملکرد مدل یادگیری ماشین از طریق تنظیم فراپارامتر

با یادگیری نحوه‌ی استفاده از تنظیم هایپرپارامتر، مدل‌های یادگیری ماشین خود را به سطح بالاتری ببرید و به شما امکان کنترل دقیق‌ترین جزئیات مدل را می‌دهد.

ویژگی‌های کلیدی

درک عمیقی از نحوه‌ی عملکرد تنظیم هایپرپارامتر به دست آورید.
جستجوی جامع، جستجوی اکتشافی و روش‌های بهینه‌سازی بیزی و چندوجهی را بررسی کنید.
یاد بگیرید که از کدام روش باید برای حل یک موقعیت یا مشکل خاص استفاده شود.

شرح کتاب

هایپرپارامترها عنصر مهمی در ساخت مدل‌های مفید یادگیری ماشین هستند. این کتاب روش‌های تنظیم هایپرپارامتر متعددی را برای پایتون، یکی از محبوب‌ترین زبان‌های کدنویسی برای یادگیری ماشین، گردآوری کرده است. در کنار توضیحات عمیق در مورد نحوه‌ی عملکرد هر روش، از یک نقشه‌ی تصمیم‌گیری استفاده خواهید کرد که می‌تواند به شما در شناسایی بهترین روش تنظیم برای نیازهایتان کمک کند.

شما با مقدمه‌ای بر تنظیم هایپرپارامتر شروع خواهید کرد و دلیل اهمیت آن را خواهید فهمید. در مرحله‌ی بعد، بهترین روش‌ها برای تنظیم هایپرپارامتر را برای موارد استفاده‌ی مختلف و انواع الگوریتم‌های خاص خواهید آموخت. این کتاب نه تنها جستجوی شبکه‌ای یا تصادفی معمول، بلکه سایر روش‌های قدرتمند و ناکارآمد را نیز پوشش می‌دهد. فصل‌های جداگانه‌ای نیز به سه گروه اصلی از روش‌های تنظیم فراپارامتر اختصاص داده شده‌اند: جستجوی جامع، جستجوی اکتشافی، بهینه‌سازی بیزی و بهینه‌سازی چندفایتی. در ادامه، با چارچوب‌های برتر مانند Scikit، Hyperopt، Optuna، NNI و DEAP برای پیاده‌سازی تنظیم فراپارامتر آشنا خواهید شد. در نهایت، فراپارامترهای الگوریتم‌های محبوب و بهترین شیوه‌هایی را که به شما در تنظیم کارآمد فراپارامترتان کمک می‌کنند، پوشش خواهید داد.

در پایان این کتاب، مهارت‌های لازم برای کنترل کامل مدل‌های یادگیری ماشین و دستیابی به بهترین مدل‌ها برای بهترین نتایج را خواهید داشت. آنچه خواهید آموخت

فضای هایپرپارامتر و انواع توزیع‌های هایپرپارامتر را کشف کنید
جستجوی دستی، شبکه‌ای و تصادفی و مزایا و معایب هر یک را بررسی کنید
روش‌های قدرتمند underdog را به همراه بهترین شیوه‌ها درک کنید
هیپرپارامترهای الگوریتم‌های محبوب را بررسی کنید
نحوه تنظیم هایپرپارامترها را در چارچوب‌ها و کتابخانه‌های مختلف کشف کنید
به طور عمیق به چارچوب‌های برتر مانند Scikit، Hyperopt، Optuna، NNI و DEAP بپردازید
با بهترین شیوه‌هایی که می‌توانید بلافاصله در مدل‌های یادگیری ماشین خود اعمال کنید، آشنا شوید

این کتاب برای چه کسانی مناسب است؟

این کتاب برای دانشمندان داده و مهندسان یادگیری ماشین است که با پایتون کار می‌کنند و می‌خواهند عملکرد مدل یادگیری ماشین خود را با استفاده از روش تنظیم هایپرپارامتر مناسب، بیشتر تقویت کنند. اگرچه درک اولیه از یادگیری ماشین و نحوه کدنویسی در پایتون مورد نیاز است، اما هیچ دانش قبلی در مورد تنظیم هایپرپارامتر در پایتون لازم نیست.

فهرست مطالب

ارزیابی مدل‌های یادگیری ماشین
معرفی تنظیم هایپرپارامتر
بررسی جستجوی جامع
بررسی بهینه‌سازی بیزی
بررسی جستجوی اکتشافی
بررسی بهینه‌سازی چند-وفاداری
تنظیم هایپرپارامتر از طریق Scikit
تنظیم هایپرپارامتر از طریق Hyperopt
تنظیم هایپرپارامتر از طریق Optuna
تنظیم هایپرپارامتر پیشرفته با DEAP و Microsoft NNI
درک هایپرپارامترهای الگوریتم‌های محبوب
معرفی نقشه تصمیم‌گیری تنظیم هایپرپارامتر
ردیابی آزمایش‌های تنظیم هایپرپارامتر
نتیجه‌گیری و مراحل بعدی