کتاب Hyperparameter Tuning with Python

کتاب Hyperparameter Tuning with Python (تنظیم Hyperparameter با Python: عملکرد مدل یادگیری ماشین خود را از طریق تنظیم hyperparameter افزایش دهید) یک منبع بسیار مناسب برای یادگیری ماشین از طریق برنامه‌نویسی پایتون است. این کتاب در 14 فصل به شما تنظیم عملکرد هایپرپارامتر را با استفاده از زبان برنامه‌نویسی پایتون از طریق هوش مصنوعی را آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Hyperparameter Tuning with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Hyperparameter Tuning with Python:

فراپارامترها یک عنصر مهم در ساخت مدل‌های یادگیری ماشینی مفید هستند. این کتاب روش‌های تنظیم فراپارامتر متعددی را برای پایتون، یکی از محبوب‌ترین زبان‌های کدنویسی برای یادگیری ماشین، ارائه می‌کند. در کنار توضیحات عمیق در مورد نحوه عملکرد هر روش، از نقشه تصمیم‌گیری استفاده خواهید کرد که می‌تواند به شما در شناسایی بهترین روش تنظیم برای نیازهای خود کمک کند.

ما کتاب Hyperparameter Tuning with Python را با مقدمه‌ای بر تنظیم هایپرپارامتر شروع می‌کنیم و دلیل اهمیت آن را توضیح می‌دهیم. شما بهترین روش‌ها را برای تنظیم هایپرپارامتر برای انواع موارد استفاده و یک نوع الگوریتم خاص یاد خواهید گرفت. این کتاب نه تنها شبکه‌ای معمول یا جستجوی تصادفی را پوشش می‌دهد، بلکه سایر روش‌های قدرتمند ضعیف را نیز پوشش می‌دهد. فصل‌های جداگانه به توجه کامل به سه گروه اصلی روش‌های تنظیم فراپارامتر اختصاص داده شده است: جستجوی جامع، جستجوی اکتشافی، بهینه سازی بیزی، و بهینه سازی چند وفاداری.

در ادامه کتاب Hyperparameter Tuning with Python، با فریمورک‌های برتر مانند scikit-learn، Hyperopt، Optuna، NNI و DEAP برای پیاده سازی تنظیم هایپرپارامتر آشنا خواهید شد. در نهایت، ما فراپارامترهای الگوریتم‌های محبوب و بهترین روش‌ها را پوشش می‌دهیم که به شما کمک می‌کند تا به طور کارآمد ابرپارامترهای خود را تنظیم کنید.

در پایان کتاب، مهارت‌هایی را خواهید داشت که برای کنترل کامل مدل‌های یادگیری ماشینی خود و دریافت بهترین مدل‌ها برای بهترین نتایج، نیاز دارید.

این کتاب برای چه کسی است؟

کتاب Hyperparameter Tuning with Python برای دانشمندان داده و مهندسان یادگیری ماشینی در نظر گرفته شده است که با پایتون کار می‌کنند و می‌خواهند عملکرد مدل ML خود را با استفاده از روش تنظیم فراپارامتر مناسب بیشتر تقویت کنند. شما باید درک اولیه ای از ML و نحوه کدنویسی در پایتون داشته باشید، اما به هیچ دانش قبلی در مورد تنظیم هایپرپارامتر در پایتون نیاز ندارید.

آنچه این کتاب پوشش می‌دهد:

فصل 1، ارزیابی مدل‌های یادگیری ماشین، تمام چیزهای مهمی را که باید در ارزیابی مدل‌های ML بدانیم، شامل مفهوم بیش‌برازش، ایده تقسیم داده‌ها به چند بخش، مقایسه بین تقسیم تصادفی و طبقه‌بندی شده و روش‌های متعدد در مورد نحوه تقسیم داده‌ها

فصل 2، معرفی Hyperparameter Tuning، مفهوم تنظیم hyperparameter را معرفی می‌کند، از تعریف شروع می‌شود و به هدف، چندین تصور غلط و توزیع هایپرپارامترها می‌پردازد.

فصل 3، بررسی جستجوی جامع، هر روشی را که به اولین گروه از چهار گروه تنظیم هایپرپارامتر تعلق دارد، همراه با جوانب مثبت و منفی بررسی می‌کند. برای هر یک از روش‌ها هم توضیحات سطح بالا و هم توضیحات مفصل وجود خواهد داشت. توضیح سطح بالا از یک استراتژی تجسم برای کمک به درک آسان‌تر استفاده می‌کند، در حالی که توضیح دقیق، ریاضیات را به جدول می‌آورد.

فصل 4 کتاب Hyperparameter Tuning with Python، بررسی بهینه‌سازی بیزی، هر روشی را که به دومین گروه از چهار گروه تنظیم هایپرپارامتر تعلق دارد، همراه با جوانب مثبت و منفی بررسی می‌کند. همچنین برای هر یک از روش‌ها توضیحات سطح بالا و جزئی ارائه خواهد شد.

فصل 5، بررسی جستجوی اکتشافی، هر روشی را که به سومین گروه از چهار گروه تنظیم هایپرپارامتر تعلق دارد، همراه با جوانب مثبت و منفی را بررسی می‌کند. همچنین برای هر یک از روش‌ها توضیحات سطح بالا و جزئی ارائه خواهد شد.

فصل 6، بررسی بهینه سازی چند وفاداری، هر روشی را که به چهارمین گروه از چهار گروه تنظیم هایپرپارامتر تعلق دارد، همراه با جوانب مثبت و منفی بررسی می‌کند. همچنین برای هر یک از روش ها توضیحات سطح بالا و جزئی ارائه خواهد شد.

فصل 7، تنظیم Hyperparameter از طریق Scikit، تمام موارد مهم در مورد scikit-learn، scikit-optimize و scikit-hyperband را به همراه نحوه استفاده از هر یک از آنها برای انجام تنظیم هایپرپارامتر پوشش می‌دهد.

فصل 8 کتاب Hyperparameter Tuning with Python، تنظیم هایپرپارامتر از طریق Hyperopt، بسته هایپراپت را معرفی می‌کند، با شروع از قابلیت‌ها و محدودیت‌های آن، نحوه استفاده از آن برای انجام تنظیم هایپرپارامتر، و همه چیزهای مهم دیگری که باید در مورد آن بدانید.

فصل 9، تنظیم Hyperparameter از طریق Optuna، بسته Optuna را معرفی می‌کند، از ویژگی‌های متعدد آن، نحوه استفاده از آن برای انجام تنظیم هایپرپارامتر، و همه چیزهای مهم دیگری که باید در مورد آن بدانید.

فصل 10، تنظیم پیشرفته Hyperparameter با DEAP و Microsoft NNI، نحوه انجام تنظیم هایپرپارامتر با استفاده از بسته‌های DEAP و Microsoft NNI را نشان می‌دهد، از آشنایی با بسته‌ها و رفتن به ماژول‌ها و پارامترهای مهمی که باید از آن‌ها آگاه باشیم.

فصل 11، درک فراپارامترهای الگوریتم‌های محبوب، فراپارامترهای چندین الگوریتم محبوب ML را بررسی می‌کند. توضیح گسترده‌ای برای هر یک از الگوریتم‌ها وجود خواهد داشت، از جمله (اما نه محدود به) تعریف هر فراپارامتر، آنچه در هنگام تغییر مقدار هر ابرپارامتر تحت تأثیر قرار می‌گیرد و فهرست اولویت‌های فراپارامترها بر اساس تأثیر.

فصل 12 کتاب Hyperparameter Tuning with Python، معرفی نقشه تصمیم گیری تنظیم فراپارامتر، نقشه تصمیم‌گیری تنظیم فراپارامتر (HTDM) را معرفی می کند، که تمام روش‌های تنظیم فراپارامتر مورد بحث را به عنوان یک نقشه تصمیم گیری ساده بر اساس شش جنبه خلاصه می‌کند. همچنین سه مورد مطالعه وجود خواهد داشت که نحوه استفاده از HTDM را در عمل نشان می‌دهد.

فصل 13، ردیابی آزمایش‌های تنظیم فراپارامتر، اهمیت ردیابی آزمایش‌های تنظیم فراپارامتر، همراه با شیوه‌های معمول را پوشش می‌دهد. همچنین با چندین بسته منبع باز که در دسترس هستند آشنا خواهید شد و نحوه استفاده از هر یک از آنها را در عمل یاد خواهید گرفت.

فصل چهاردهم کتاب Hyperparameter Tuning with Python، نتیجه‌گیری و گام‌های بعدی، تمام درس‌های مهم آموخته‌شده در فصل‌های قبل را خلاصه می‌کند و همچنین شما را با چندین موضوع یا پیاده‌سازی آشنا می‌کند که ممکن است از آن‌ها بهره ببرید که در این کتاب به تفصیل به آنها نپرداخته‌ایم.

سرفصل‌های کتاب Hyperparameter Tuning with Python:

• Contributors
• About the author
• About the reviewer
• Preface
• Section 1:The Methods
  • Chapter 1: Evaluating Machine Learning Models
  • Chapter 2: Introducing Hyperparameter Tuning
  • Chapter 3: Exploring Exhaustive Search
  • Chapter 4: Exploring Bayesian Optimization
  • Chapter 5: Exploring Heuristic Search
  • Chapter 6: Exploring Multi-Fidelity Optimization
• Section 2:The Implementation
  • Chapter 7: Hyperparameter Tuning via Scikit
  • Chapter 8: Hyperparameter Tuning via Hyperopt
  • Chapter 9: Hyperparameter Tuning via Optuna
  • Chapter 10: Advanced Hyperparameter Tuning with DEAP and Microsoft NNI
• Section 3:Putting Things into Practice
  • Chapter 11: Understanding the Hyperparameters of Popular Algorithms
  • Chapter 12: Introducing Hyperparameter Tuning Decision Map
  • Chapter 13: Tracking Hyperparameter Tuning Experiments
  • Chapter 14: Conclusions and Next Steps
• Other Books You May Enjoy

جهت دانلود کتاب Hyperparameter Tuning with Python می‌توانید پس از پرداخت، دریافت کنید.