Optimisation des hyperparamètres avec Azure Machine Learning

Trouver les bons hyperparamètres pour vos modèles d'apprentissage automatique ne devrait pas être un jeu de devinettes. L'utilisation de calculs à l'échelle du cloud vous permet d'automatiser ce processus efficacement et de trouver les configurations de modèles les plus performantes. Dans ce cours, vous apprendrez à configurer, exécuter et analyser des tâches d'optimisation des hyperparamètres à l'aide d'Azure Machine Learning. Vous comprendrez comment exploiter les ressources cloud pour améliorer systématiquement la précision du modèle et rationaliser vos flux de travail d'entraînement. Ce que vous apprendrez : - Comprendre les concepts de base des hyperparamètres, des espaces de recherche et des méthodes d'échantillonnage. - Configurer et exécuter des tâches de balayage dans Azure Machine Learning à l'aide de modèles SDK modernes. - Appliquer des stratégies de terminaison anticipée pour économiser du temps de calcul et contrôler les coûts du cloud. - Analyser les métriques d'exécution de l'entraînement pour identifier et sélectionner le modèle le plus performant. - Intégrer l'optimisation des hyperparamètres dans les pipelines modernes d'apprentissage automatique dans le cloud. Ce cours commence par des définitions fondamentales des paramètres du modèle et des stratégies d'optimisation avant de vous guider à travers des explications écrites étape par étape et des configurations de code pratiques. Ce cours est conçu pour les data scientists débutants et les développeurs cloud qui souhaitent faire évoluer leurs flux de travail d'apprentissage automatique. Aucune expérience préalable du cloud n'est requise, bien qu'une familiarité de base avec Python soit utile. Commencez dès aujourd'hui à optimiser vos flux de travail d'apprentissage automatique avec des tâches de balayage à l'échelle du cloud.