Descripción
Lleva tus modelos de aprendizaje automático al siguiente nivel aprendiendo a aprovechar la optimización de hiperparámetros, lo que te permitirá controlar los detalles más finos del modelo
Características principales:
- Obtén una comprensión profunda de cómo funciona la optimización de hiperparámetros
- Explora la búsqueda exhaustiva, la búsqueda heurística y los métodos de optimización bayesiana y de multifidelidad
- Aprende qué método se debe usar 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 recopila 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, utilizarás un mapa de decisiones que puede ayudarte a identificar el mejor método de optimización para tus requisitos.
Comenzarás con una introducción a la optimización de hiperparámetros y comprenderás por qué es importante. A continuación, aprenderás 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 búsqueda de cuadrícula o aleatoria habitual, sino también otros potentes métodos subestimados. También se dedican capítulos individuales a los tres grupos principales de métodos de optimización de hiperparámetros: búsqueda exhaustiva, búsqueda heurística, optimización bayesiana y optimización de multifidelidad. Más adelante, aprenderás sobre los principales frameworks como Scikit, Hyperopt, Optuna, NNI y DEAP para implementar la optimización de hiperparámetros. Finalmente, cubrirás los hiperparámetros de algoritmos populares y las mejores prácticas que te ayudarán a optimizar eficientemente tus hiperparámetros.
Al final de este libro, tendrás las habilidades necesarias para tomar el control total de tus modelos de aprendizaje automático y obtener los mejores modelos para los mejores resultados.
Lo que aprenderás:
- Descubre el espacio de hiperparámetros y los tipos de distribuciones de hiperparámetros
- Explora la búsqueda manual, de cuadrícula y aleatoria, y las ventajas y desventajas de cada una
- Comprende los poderosos métodos subestimados junto con las mejores prácticas
- Explora los hiperparámetros de algoritmos populares
- Descubre cómo optimizar los hiperparámetros en diferentes frameworks y librerías
- Profundiza en los principales frameworks como Scikit, Hyperopt, Optuna, NNI y DEAP
- Domina las mejores prácticas que puedes aplicar a tus modelos de aprendizaje automático de inmediato
A quién va dirigido 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 optimización de hiperparámetros adecuado. Aunque se necesita una comprensión básica del aprendizaje automático y de cómo codificar en Python, no se requiere conocimiento previo de la optimización 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: 9.25 pulgadas (alto) x 7.50 pulgadas (ancho) x 0.64 pulgadas (profundo)
ISBN13: 9781803235875
ISBN10: 180323587X
Categorías BISAC:
- Informática | Ciencias de la Computación
- Informática | Inteligencia Artificial | General
- Informática | Teoría de Máquinas
Este título no es retornable