دانلود کتاب Hyperparameter Optimization in Machine Learning: Make Your Machine Learning and Deep Learning Models More Efficient
49,000 تومان
بهینه سازی فراپارامتر در یادگیری ماشینی: یادگیری ماشینی و مدل های یادگیری عمیق خود را کارآمدتر کنید
| موضوع اصلی | کامپیوتر – علوم کامپیوتر |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Apress |
| تعداد صفحه | 185 / 177 |
| حجم فایل | 3.28 مگابایت |
| کد کتاب | 1484265793 , 9781484265796 |
| نوبت چاپ | 1 |
| نویسنده | Tanay Agrawal |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2021 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
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.
ترجمه فارسی (ترجمه ماشینی)
در تنظیم هایپرپارامتر مدل های یادگیری ماشین غوطه ور شوید و بر روی این که فراپارامترها چیست و چگونه کار می کنند تمرکز کنید. این کتاب تکنیک های مختلف تنظیم فراپارامترها، از اصول اولیه تا روش های پیشرفته را مورد بحث قرار می دهد.
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 خواهید آموخت
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
بهینه سازی هایپرپارامتر را با استفاده از خوشه ای از ماشین ها توزیع کنید
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.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.