在本课程中，您将学习多种技术来选择最佳的超参数(Hyperparameter Optimization)并改善机器学习模型的性能。如果您经常将机器学习模型作为爱好或组织培训来进行，并且想提高模型的性能，那么如果您热衷于参加数据科学竞赛的排行榜，或者只是想了解更多信息，如何调整机器学习模型的超参数，本课程将向您展示如何。
我们将逐步引导您完成引人入胜的视频教程，并教您有关超参数调整的所有知识。在本综合课程中，我们涵盖了几乎所有可用于优化超参数的方法，讨论了它们的基本原理，优点和缺点，在使用该技术时需要考虑的事项及其在Python中的实现。
具体来说，您将学习：
什么是超参数以及为什么调优很重要
使用交叉验证和嵌套交叉验证进行优化
网格搜索和随机搜索超参数
贝叶斯优化
树型Parzen估计器
SMAC，基于总体的优化和其他SMBO算法
如何使用可用的开源软件包（包括Hyperopt，Optuna，Scikit-optimize，Keras Turner等）来实现这些技术。
在课程结束时，您将能够决定要采用哪种方法，并通过可用的开放源代码库来实施。
这个全面的机器学习课程包括50多个讲座，涵盖大约8个小时的视频，并且所有主题都包括动手的Python代码示例，您可以将它们用作参考和练习，并在自己的项目中重复使用。
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz, 2 Ch
Genre: eLearning | Language: English + srt | Duration: 76 lectures (7h 38m) | Size: 2.6 GB
Learn the approaches and tools to tune hyperparameters and improve the performance of your machine learning models.
您将学到：
- 超参数调优及其重要性
- 交叉验证和嵌套交叉验证
- 基于网格和随机搜索的超参数调谐
- 贝叶斯优化
- 树结构Parzen估计、基于种群的训练和SMAC
- Hyperparameter tunning工具，即Hyperopt、Optuna、Scikit optimize、Keras Turner等
先决条件
- Python编程，包括NumPy，Pandas和sciket的知识学习
- 熟悉基本的机器学习算法，如回归、支持向量机和近邻
- 熟悉决策树算法和随机森林
- 熟悉梯度增压机，如xgboost、lightGBMs
- 对机器学习模型评价指标的理解
- 熟悉神经网络
