کتاب تنظیم HyperParameter با Python: عملکرد مدل های یادگیری ماشین خود را از طریق تنظیم Hyperparameter تقویت کنید

عنوان کتاب به انگلیسی: |
Hyperparameter Tuning with Python: Boost your machine learning models performance via hyperparameter tuning |
| سال انتشار: 2022 | 306 صفحه | حجم فایل: 11 مگابایت | زبان: انگلیسی |
| نویسنده | Louis Owen |
| ناشر | Packt Publishing |
| ISBN10: | 180323587X |
| ISBN13: | 9781803235875 |
توضیحات کتاب
Take your machine learning models to the next level by learning how to leverage hyperparameter tuning, allowing you to control the model's finest details
Key Features
Gain a deep understanding of how hyperparameter tuning works
Explore exhaustive search, heuristic search, and Bayesian and multi-fidelity optimization methods
Learn which method should be used to solve a specific situation or problem
Book Description
Hyperparameters are an important element in building useful machine learning models. This book curates numerous hyperparameter tuning methods for Python, one of the most popular coding languages for machine learning. Alongside in-depth explanations of how each method works, you will use a decision map that can help you identify the best tuning method for your requirements.
You'll start with an introduction to hyperparameter tuning and understand why it's important. Next, you'll learn the best methods for hyperparameter tuning for a variety of use cases and specific algorithm types. This book will not only cover the usual grid or random search but also other powerful underdog methods. Individual chapters are also dedicated to the three main groups of hyperparameter tuning methods: exhaustive search, heuristic search, Bayesian optimization, and multi-fidelity optimization. Later, you will learn about top frameworks like Scikit, Hyperopt, Optuna, NNI, and DEAP to implement hyperparameter tuning. Finally, you will cover hyperparameters of popular algorithms and best practices that will help you efficiently tune your hyperparameter.
By the end of this book, you will have the skills you need to take full control over your machine learning models and get the best models for the best results.
What you will learn
Discover hyperparameter space and types of hyperparameter distributions
Explore manual, grid, and random search, and the pros and cons of each
Understand powerful underdog methods along with best practices
Explore the hyperparameters of popular algorithms
Discover how to tune hyperparameters in different frameworks and libraries
Deep dive into top frameworks such as Scikit, Hyperopt, Optuna, NNI, and DEAP
Get to grips with best practices that you can apply to your machine learning models right away
Who this book is for
This book is for data scientists and ML engineers who are working with Python and want to further boost their ML model's performance by using the appropriate hyperparameter tuning method. Although a basic understanding of machine learning and how to code in Python is needed, no prior knowledge of hyperparameter tuning in Python is required.
Table of Contents
Evaluating Machine Learning Models
Introducing Hyperparameter Tuning
Exploring Exhaustive Search
Exploring Bayesian Optimization
Exploring Heuristic Search
Exploring Multi-Fidelity Optimization
Hyperparameter Tuning via Scikit
Hyperparameter Tuning via Hyperopt
Hyperparameter Tuning via Optuna
Advanced Hyperparameter Tuning with DEAP and Microsoft NNI
Understanding Hyperparameters of Popular Algorithms
Introducing Hyperparameter Tuning Decision Map
Tracking Hyperparameter Tuning Experiments
Conclusions and Next Steps
توضیحات کتاب به فارسی (ترجمه ماشینی)
با یادگیری نحوه استفاده از تنظیم HyperParameter ، مدل های یادگیری ماشین خود را به سطح بعدی برسانید و به شما امکان می دهد بهترین جزئیات مدل را کنترل کنید ویژگی های کلیدی درک عمیقی از نحوه تنظیم Hyperparameter کسب کنید جستجوی جامع ، جستجوی اکتشافی و روشهای بهینه سازی بیزی و چند وفادار را کاوش کنید بیاموزید از کدام روش برای حل یک وضعیت یا مشکل خاص استفاده شود توضیحات کتاب HyperParameters یک عنصر مهم در ساخت مدلهای مفید یادگیری ماشین است.این کتاب بسیاری از روشهای تنظیم بیش از حد پارامتری را برای پایتون ، یکی از محبوب ترین زبانهای برنامه نویسی برای یادگیری ماشین ، تنظیم می کند.در کنار توضیحات عمیق در مورد نحوه عملکرد هر روش ، شما از نقشه تصمیم گیری استفاده خواهید کرد که می تواند به شما در شناسایی بهترین روش تنظیم برای نیازهای خود کمک کند. شما با مقدمه ای برای تنظیم Hyperparameter شروع می کنید و می دانید که چرا مهم است.در مرحله بعد ، بهترین روش ها را برای تنظیم HyperParameter برای انواع موارد استفاده و انواع الگوریتم خاص یاد خواهید گرفت.این کتاب نه تنها شبکه معمول یا جستجوی تصادفی بلکه سایر روشهای قدرتمند زیرنویس را نیز پوشش می دهد.فصل های جداگانه همچنین به سه گروه اصلی روش های تنظیم Hyperparameter اختصاص داده شده است: جستجوی جامع ، جستجوی اکتشافی ، بهینه سازی بیزی و بهینه سازی چند نفری.بعداً برای اجرای تنظیمات HyperParameter در مورد چارچوب های برتر مانند Scikit ، HyperOpt ، Optuna ، NNI و DEAP خواهید آموخت.سرانجام ، شما هایپرپارامترهای الگوریتم های محبوب و بهترین شیوه هایی را که به شما در تنظیم کارآمد HyperParameter کمک می کند ، پوشش خواهید داد. در پایان این کتاب ، مهارت های لازم برای کنترل کامل بر روی مدل های یادگیری ماشین خود را خواهید داشت و بهترین مدل ها را برای بهترین نتیجه به دست می آورید. آنچه یاد خواهید گرفت فضای Hyperparameter و انواع توزیع Hyperparameter را کشف کنید جستجوی دستی ، شبکه و جستجوی تصادفی و جوانب مثبت و منفی هر یک روشهای قدرتمند زیرنویس را به همراه بهترین شیوه ها درک کنید اکتشافی های الگوریتم های محبوب را کاوش کنید نحوه تنظیم HyperParameters را در چارچوب ها و کتابخانه های مختلف کشف کنید شیرجه عمیق به چارچوبهای برتر مانند Scikit ، Hyperopt ، Optuna ، NNI و DEAP با بهترین شیوه هایی که می توانید بلافاصله در مدل های یادگیری ماشین خود استفاده کنید ، به دست بیاورید این کتاب برای چه کسی است این کتاب برای دانشمندان داده و مهندسان ML است که با پایتون کار می کنند و می خواهند با استفاده از روش تنظیم مناسب HyperParameter ، عملکرد مدل ML خود را تقویت کنند.اگرچه درک اساسی از یادگیری ماشین و نحوه کدگذاری در پایتون مورد نیاز است ، هیچ دانش قبلی در مورد تنظیم Hyperparameter در پایتون لازم نیست. فهرست مطالب ارزیابی مدل های یادگیری ماشین معرفی تنظیم Hyperparameter کاوش در جستجوی جامع کاوش بهینه سازی بیزی کاوش در جستجوی اکتشافی بررسی بهینه سازی چند وفادار تنظیم Hyperparameter از طریق Scikit تنظیم Hyperparameter از طریق Hyperopt تنظیم Hyperparameter از طریق Optuna تنظیم پیشرفته Hyperparameter با Deap و Microsoft NNI درک بیش از حد پارامترهای الگوریتم های محبوب معرفی نقشه تصمیم تنظیم HyperParameter پیگیری آزمایش های تنظیم Hyperparameter نتیجه گیری و مراحل بعدی📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر کتاب اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.