دانلود کتاب Hyperparameter Optimization in Machine Learning: Make Your Machine Learning and Deep Learning Models More Efficient
دسته: کامپیوتر
کتاب بهینهسازی فراپارامتر در یادگیری ماشینی: مدلهای یادگیری ماشینی و یادگیری عمیق خود را کارآمدتر کنید نسخه زبان اصلی
دانلود کتاب بهینهسازی فراپارامتر در یادگیری ماشینی: مدلهای یادگیری ماشینی و یادگیری عمیق خود را کارآمدتر کنید بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Hyperparameter Optimization in Machine Learning: Make Your Machine Learning and Deep Learning Models More Efficient
نام کتاب : Hyperparameter Optimization in Machine Learning: Make Your Machine Learning and Deep Learning Models More Efficient
عنوان ترجمه شده به فارسی : بهینهسازی فراپارامتر در یادگیری ماشینی: مدلهای یادگیری ماشینی و یادگیری عمیق خود را کارآمدتر کنید
سری :
نویسندگان : Tanay Agrawal
ناشر : Apress
سال نشر : 2020
تعداد صفحات : 177
ISBN (شابک) : 9781484265789 , 9781484265796
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 3 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
در تنظیم هایپرپارامتر مدل های یادگیری ماشین غوطه ور شوید و روی این که فراپارامترها چیست و چگونه کار می کنند تمرکز کنید. این کتاب تکنیکهای مختلف تنظیم فراپارامترها، از اصول اولیه تا روشهای پیشرفته را مورد بحث قرار میدهد. این یک راهنمای گام به گام برای بهینهسازی هایپرپارامتر است، که از چیستی فراپارامترها و نحوه تأثیر آنها بر جنبههای مختلف مدلهای یادگیری ماشین شروع میشود. سپس از طریق برخی از الگوریتمهای اولیه (بروت فورس) بهینهسازی هایپرپارامتر میگذرد. علاوه بر این، نویسنده با استفاده از روشهای بهینهسازی توزیع شده، به مشکل محدودیتهای زمان و حافظه میپردازد. در ادامه در مورد بهینه سازی بیزی برای جستجوی فراپارامتر بحث خواهید کرد که از تاریخچه قبلی خود درس می گیرد. این کتاب چارچوبهای مختلفی مانند Hyperopt و Optuna را مورد بحث قرار میدهد که الگوریتمهای بهینهسازی جهانی مبتنی بر مدل متوالی (SMBO) را پیادهسازی میکند. در طول این بحث ها، شما بر جنبه های مختلفی مانند ایجاد فضاهای جستجو و بهینه سازی توزیع شده این کتابخانه ها تمرکز خواهید کرد. بهینهسازی فراپارامتر در یادگیری ماشین، درک درستی از نحوه کار این الگوریتمها و نحوه استفاده از آنها در مسائل علم داده واقعی ایجاد میکند. فصل آخر نقش بهینه سازی هایپرپارامتر در یادگیری ماشین خودکار را خلاصه می کند و با آموزش ایجاد اسکریپت AutoML خود به پایان می رسد. بهینه سازی هایپرپارامتر کاری خسته کننده است، پس بنشینید و اجازه دهید این الگوریتم ها کار شما را انجام دهند. آنچه شما یاد خواهید گرفت کشف کنید که چگونه تغییرات در فراپارامترها بر عملکرد مدل تأثیر می گذارد. استفاده از الگوریتم های مختلف تنظیم فراپارامتر برای مسائل علم داده برای ایجاد یادگیری ماشینی کارآمد و مدلهای یادگیری عمیق، با روشهای بهینهسازی بیزی کار کنید توزیع بهینه سازی هایپرپارامتر با استفاده از خوشه ای از ماشین ها با استفاده از بهینه سازی هایپرپارامتر به یادگیری ماشین خودکار نزدیک شوید این کتاب برای چه کسی است متخصصان و دانشجویانی که با یادگیری ماشین کار می کنند.
فهرست مطالب :
Table of Contents
About the Author
About the Technical Reviewer
Acknowledgments
Foreword 1
Foreword 2
Introduction
Chapter 1: Introduction to Hyperparameters
Introduction to Machine Learning
Understanding Hyperparameters
The Need for Hyperparameter Optimization
Algorithms and Their Hyperparameters
K-Nearest Neighbor
Support Vector Machine
Decision Tree
Neural Networks
Distribution of Possible Hyperparameter Values
Discrete Variables
Continuous Variables
Probabilistic Distributions
Uniform Distribution
Gaussian Distribution
Exponential Distribution
Chapter 2: Hyperparameter Optimization Using Scikit-Learn
Changing Hyperparameters
Grid Search
Random Search
Parallel Hyperparameter Optimization
Chapter 3: Solving Time and Memory Constraints
Dask
Dask Distributed
Parallel Collections
Dynamic Task Scheduling
Hyperparameter Optimization with Dask
Dask Random Search and Grid Search
Incremental Search
Successive Halving Search
Hyperband Search
Distributing Deep Learning Models
PyTorch Distributed
Horovod
Chapter 4: Bayesian Optimization
Sequential Model-Based Global Optimization
Tree-Structured Parzen Estimator
Hyperopt
Search Space
Parallelizing Trials in TPE
Hyperopt-Sklearn
Hyperas
Chapter 5: Optuna and AutoML
Optuna
Search Space
Underlying Algorithms
Visualization
Distributed Optimization
Automated Machine Learning
Building Your Own AutoML Module
TPOT
Appendix I
Data Cleaning and Preprocessing
Dealing with Nonnumerical Columns
Label Encoding
One-Hot Encoding
Missing Values
Drop the Rows
Mean/Median or Most Frequent/Constant
Imputation Using Regression or Classification
Multivariate Imputation by Chained Equations1
Outlier Detection
Z-score
Density-Based Spatial Clustering of Applications with Noise
Feature Selection
F-Test
Mutual Information Test
Recursive Feature Selection
Applying the Techniques
Applying Machine Learning Algorithms
Model Evaluation Methods
Appendix II:
Neural Networks: A Brief Introduction to PyTorch and Keras API
Index
توضیحاتی در مورد کتاب به زبان اصلی :
Dive into hyperparameter tuning of machine learning models and focus on what hyperparameters are and how they work. This book discusses different techniques of hyperparameters tuning, from the basics to advanced methods. This is a step-by-step guide to hyperparameter optimization, starting with what hyperparameters are and how they affect different aspects of machine learning models. It then goes through some basic (brute force) algorithms of hyperparameter optimization. Further, the author addresses the problem of time and memory constraints, using distributed optimization methods. Next you’ll discuss Bayesian optimization for hyperparameter search, which learns from its previous history. The book discusses different frameworks, such as Hyperopt and Optuna, which implements sequential model-based global optimization (SMBO) algorithms. During these discussions, you’ll focus on different aspects such as creation of search spaces and distributed optimization of these libraries. Hyperparameter Optimization in Machine Learning creates an understanding of how these algorithms work and how you can use them in real-life data science problems. The final chapter summaries the role of hyperparameter optimization in automated machine learning and ends with a tutorial to create your own AutoML script. Hyperparameter optimization is tedious task, so sit back and let these algorithms do your work. What You Will Learn Discover how changes in hyperparameters affect the model’s performance. Apply different hyperparameter tuning algorithms to data science problems Work with Bayesian optimization methods to create efficient machine learning and deep learning models Distribute hyperparameter optimization using a cluster of machines Approach automated machine learning using hyperparameter optimization Who This Book Is For Professionals and students working with machine learning.
پست ها تصادفی