Strajanie hiperparametrów za pomocą zadań sweep w Azure Machine Learning

Znalezienie odpowiednich hiperparametrów dla Twoich modeli machine learning często przypomina zgadywanie, co zużywa cenny czas i zasoby chmurowe. Ten kurs tekstowy uczy, jak zautomatyzować ten proces za pomocą zadań sweep w Azure Machine Learning, aby systematycznie identyfikować najlepsze konfiguracje. Po ukończeniu tego kursu przejdziesz od ręcznego strojenia metodą prób i błędów do uruchamiania automatycznych, skalowalnych eksperymentów wyszukiwania w chmurze. Nauczysz się definiować przestrzenie wyszukiwania, wybierać metody próbkowania i wdrażać reguły wczesnego zakończenia, aby zaoszczędzić koszty przy jednoczesnej maksymalizacji wydajności modelu. Czego się nauczysz: - Zrozumiesz podstawowe pojęcia dotyczące hiperparametrów, w tym dyskretne i ciągłe przestrzenie wyszukiwania. - Skonfigurujesz zadania sweep za pomocą nowoczesnego Azure Machine Learning SDK, aby zautomatyzować optymalizację modeli. - Zastosujesz różne metody próbkowania, takie jak grid, random i Bayesian search, aby zbadać swoją przestrzeń parametrów. - Wdrożysz reguły wczesnego zakończenia, aby zatrzymać Słabo rozwijające się uruchomienia i zoptymalizować budżety obliczeniowe w chmurze. - Będziesz śledzić i analizować wyniki prób za pomocą zintegrowanych metryk i narzędzi historii uruchomień. - Automatycznie wybierzesz i zarejestrujesz najlepiej działający model do przyszłego wdrożenia. Zaczynając od podstawowej terminologii i konfiguracji przestrzeni roboczej, przejdziesz przez definiowanie przestrzeni wyszukiwania, konfigurowanie ustawień uruchomienia i analizowanie wyników eksperymentów sweep. Każda koncepcja jest utrwalana za pomocą jasnych wyjaśnień pisemnych i fragmentów kodu. Ten kurs jest przeznaczony dla początkujących data scientists i entuzjastów machine learning, którzy chcą skalować swoje przepływy pracy związane z treningiem w chmurze. Wcześniejsze doświadczenie z Azure Machine Learning nie jest wymagane. Zacznij czytać już dziś, aby zautomatyzować optymalizację modeli i tworzyć dokładniejsze potoki machine learning.