|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-otimizacao-de-hiperparametros-com-python/
课程评论：没有评论
**Coursera 课程总结：使用 Python 进行机器学习超参数优化** 本课程旨在教授机器学习超参数优化的主要技术，包括网格搜索（Grid Search）、随机搜索（Random Search）和贝叶斯优化（Bayesian Optimization）。这些技术能够自动化选择机器学习算法的最佳超参数，从而加快算法的开发过程，提高效率和模型性能。 **课程亮点：** * **理论与实践并重：** 课程不仅提供超参数优化技术的清晰理论基础，更强调动手实践。学员将使用 Python 语言，通过实际数据集进行超参数优化的练习。 * **全流程讲解：** 从数据获取、处理、预处理到超参数优化，课程将详细解释每一个步骤。 * **深入理解超参数：** 课程将详细阐述机器学习算法中关键超参数的特性和目标，而非仅仅罗列代码。 * **适合不同背景的学员：** 课程前两部分将涵盖 Python 基础和机器学习概念，确保所有学员，无论其背景和知识水平如何，都能顺利学习。 * **跨平台兼容：** 课程以 Windows 系统为例，但 Linux 和 Mac 用户也能轻松跟随。教学将使用 Google Colaboratory，同时学员也可选择 Jupyter Notebook、Spyder 或 Pycharm 等工具。 通过本课程，学员将掌握优化机器学习模型性能的关键技能，并能高效地进行模型开发。
Com esse curso você terá a oportunidade de conhecer as principais técnicas de ajuste dos hiperparâmetros: Grid Search, Random Search e Otimização Bayesiana. Estas técnicas proporcionam a automatização das escolhas dos melhores hiperparâmetros dos algoritmos de Machine Learning, fazendo com que a criação do algoritmo seja mais rápida e eficiente e os resultados sejam os melhores possíveis.O diferencial desse curso é que iremos obter o embasamento teórico de maneira objetiva e teremos muitas aulas práticas sobre a otimização dos hiperparâmetros utilizando a linguagem Python e exemplificando através de datasets retirados de repositórios de dados. Todas as etapas serão explicadas, desde a obtenção dos datasets, como o tratamento, pré-processamento e a otimização dos hiperparâmetros.Serão explicados as características e os objetivos dos principais hiperparâmetros dos algoritmos de Machine Learning utilizados no curso. Não é um curso onde somente serão apresentados os comandos utilizados, tudo será explicado detalhadamente.Para atender a todos os alunos, sem importar a área e o nível de conhecimento, as duas primeiras seções são referentes aos fundamentos da Linguagem Python e conceitos de Machine Learning.O curso é apresentado no sistema operacional Windows, mas usuários do Linux e Mac acompanham tranquilamente. Será utilizado o Google Colaboratory, mas como opção podem ser utilizados também o Jupyter Notebook, Spyder e Pycharm.
