Azure Machine Learning ile Hiperparametre Ayarlama

Makine öğrenimi modelleriniz için doğru hiperparametreleri bulmak bir tahmin oyunu olmamalıdır. Bulut ölçeğinde bilgi işlem (cloud-scale compute) kullanmak, bu süreci verimli bir şekilde otomatikleştirmenize ve en iyi performans gösteren model konfigürasyonlarını bulmanıza olanak tanır. Bu kursta, Azure Machine Learning kullanarak hiperparametre ayarlama işlerini nasıl kuracağınızı, yürüteceğinizi ve analiz edeceğinizi öğreneceksiniz. Model doğruluğunu sistematik olarak iyileştirmek ve eğitim iş akışlarınızı düzene sokmak için bulut kaynaklarından nasıl yararlanacağınızı anlayacaksınız. Neler öğreneceksiniz: - Hiperparametrelerin, arama alanlarının (search spaces) ve örnekleme yöntemlerinin (sampling methods) temel kavramlarını anlayın. - Modern SDK kalıplarını kullanarak Azure Machine Learning'de sweep işlerini yapılandırın ve çalıştırın. - Hesaplama süresinden tasarruf etmek ve bulut maliyetlerini kontrol etmek için erken sonlandırma politikaları (early termination policies) uygulayın. - En iyi performans gösteren modeli belirlemek ve seçmek için eğitim çalıştırma metriklerini (training run metrics) analiz edin. - Hiperparametre ayarlamayı modern bulut makine öğrenimi işlem hatlarına (pipelines) entegre edin. Bu kurs, model parametrelerinin ve ayarlama stratejilerinin temel tanımlarıyla başlar ve ardından sizi adım adım yazılı açıklamalar ve pratik kod konfigürasyonları aracılığıyla yönlendirir. Bu kurs, makine öğrenimi iş akışlarını ölçeklendirmek isteyen yeni başlayan veri bilimcileri ve bulut geliştiricileri için tasarlanmıştır. Temel Python bilgisi yardımcı olsa da, daha önce bulut deneyimi gerekmemektedir. Makine öğrenimi iş akışlarınızı bulut ölçeğindeki sweep işleriyle bugün optimize etmeye başlayın.