Ajuste de Hiperparámetros con Azure Machine Learning

Encontrar los hiperparámetros correctos para sus modelos de aprendizaje automático no debería ser un juego de adivinanzas. El uso de cómputo a escala en la nube le permite automatizar este proceso de manera eficiente y encontrar las configuraciones de modelo de mejor rendimiento. En este curso, aprenderá a configurar, ejecutar y analizar trabajos de ajuste de hiperparámetros utilizando Azure Machine Learning. Comprenderá cómo aprovechar los recursos de la nube para mejorar sistemáticamente la precisión del modelo y optimizar sus flujos de trabajo de entrenamiento. Lo que aprenderá: - Comprender los conceptos centrales de hiperparámetros, espacios de búsqueda y métodos de muestreo. - Configurar y ejecutar trabajos de barrido en Azure Machine Learning utilizando patrones modernos del SDK. - Aplicar políticas de terminación temprana para ahorrar tiempo de cómputo y controlar los costos de la nube. - Analizar las métricas de ejecución del entrenamiento para identificar y seleccionar el modelo de mejor rendimiento. - Integrar el ajuste de hiperparámetros en flujos de trabajo modernos de aprendizaje automático en la nube. Este curso comienza con definiciones fundamentales de parámetros de modelo y estrategias de ajuste antes de guiarlo a través de explicaciones escritas paso a paso y configuraciones de código prácticas. Este curso está diseñado para científicos de datos principiantes y desarrolladores en la nube que desean escalar sus flujos de trabajo de aprendizaje automático. No se requiere experiencia previa en la nube, aunque una familiaridad básica con Python es útil. Comience a optimizar sus flujos de trabajo de aprendizaje automático con trabajos de barrido a escala en la nube hoy mismo.