۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت می‌کنید.
این فایل با Calibre، Apple Books و سایر کتابخوان‌های دیجیتال مناسب است.
ابرپارامترها یکی از بخش‌های مهم در ساخت مدل‌های یادگیری ماشینِ کاربردی هستند. این کتاب مجموعه‌ای از روش‌های تنظیم ابرپارامتر را برای پایتون گردآوری کرده است؛ پایتون یکی از محبوب‌ترین زبان‌های برنامه‌نویسی برای یادگیری ماشین است. علاوه بر توضیح‌های عمیق درباره این‌که هر روش چگونه کار می‌کند، از یک نقشه تصمیم استفاده می‌کنید تا بتوانید بهترین روش تنظیم را با توجه به نیازهایتان پیدا کنید.
در ادامه کتاب، با معرفی تنظیم ابرپارامترها شروع می‌کنیم و توضیح می‌دهیم چرا این کار مهم است. شما بهترین روش‌های تنظیم ابرپارامتر را برای انواع کاربردها و همچنین یک نوع مشخص از الگوریتم یاد خواهید گرفت. این کتاب فقط روش‌های رایج جست‌وجوی شبکه‌ای (grid) یا جست‌وجوی تصادفی را پوشش نمی‌دهد، بلکه سراغ روش‌های قدرتمند دیگری هم می‌رود که کمتر شناخته شده‌اند. هر فصل به صورت مستقل به یکی از سه گروه اصلی روش‌های تنظیم ابرپارامتر با دقت کامل می‌پردازد: جست‌وجوی جامع، جست‌وجوی ابتکاری، بهینه‌سازی بیزی (Bayesian optimization) و بهینه‌سازی چندسطحی (multi-fidelity optimization).
در بخش‌های بعدی کتاب، درباره چارچوب‌های مطرحی مثل scikit-learn، Hyperopt، Optuna، NNI و DEAP یاد می‌گیرید تا بتوانید تنظیم ابرپارامترها را پیاده‌سازی کنید. در پایان هم به سراغ ابرپارامترهای الگوریتم‌های محبوب و مجموعه‌ای از بهترین راهکارها می‌رویم که به شما کمک می‌کند ابرپارامترهایتان را به شکل کارآمد تنظیم کنید.
در پایان کتاب، مهارت‌هایی را خواهید داشت که با کمک آن‌ها کنترل کامل روی مدل‌های یادگیری ماشین خودتان به دست می‌آورید و بهترین مدل‌ها را برای بهترین نتایج پیدا می‌کنید.
این کتاب برای چه کسانی است
این کتاب برای دانشمندان داده و مهندسان یادگیری ماشین طراحی شده است که با پایتون کار می‌کنند و می‌خواهند با استفاده از روش درستِ تنظیم ابرپارامترها، عملکرد مدل‌های یادگیری ماشین خود را بیشتر بهبود دهند. برای خواندن کتاب، باید درک پایه‌ای از یادگیری ماشین و نحوه کدنویسی با پایتون داشته باشید، اما به دانش قبلیِ تنظیم ابرپارامترها در پایتون نیاز ندارید.
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.We will start the book with an introduction to hyperparameter tuning and explain why it’s important. You’ll learn the best methods for hyperparameter tuning for a variety of use cases and a specific algorithm type. The book will not only cover the usual grid or random search but also other powerful underdog methods. Individual chapters are dedicated to giving full attention to the three main groups of hyperparameter tuning methods: exhaustive search, heuristic search, Bayesian optimization, and multi-fidelity optimization.Later in the book, you will learn about top frameworks such as scikit-learn, Hyperopt, Optuna, NNI, and DEAP to implement hyperparameter tuning. Finally, we will cover hyperparameters of popular algorithms and best practices that will help you efficiently tune your hyperparameters.By the end of the 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.Who this book is forThe book is intended for data scientists and Machine Learning engineers who are working with Python and want to further boost their ML model’s performance by utilizing the appropriate hyperparameter tuning method. You will need to have a basic understanding of ML and how to code in Python but will require no prior knowledge of hyperparameter tuning in Python.
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)