Following those preprocessing steps, practitioners must then perform algorithm selection and hyperparameter optimization to maximize the predictive performance of their final machine learning model.
После этих шагов работник должен осуществить выбор алгоритма и оптимизацию гиперпараметров для максимизации прогнозируемой производительности конечной модели обучения машин.
In hyperparameter optimization, evolutionary optimization uses evolutionary algorithms to search the space of hyperparameters for a given algorithm.
При оптимизации гиперпараметров эволюционная оптимизация использует эволюционные алгоритмы для поиска гиперпараметров для данного алгоритма.
The second lecture builds on these fundamentals to explore how these simple models can be made deeper, and more powerful, and explores all the scalability problems that come with that, in particular regularization and hyperparameter tuning.
Вторая лекция опирается на эти основы, чтобы исследовать, как эти простые модели могут быть преобразованы в более глубокие и мощные, и исследует все сопутствующие проблемы масштабируемости, в частности, регуляризацию и настройку гиперпараметров.
In machine learning, hyperparameter optimization or tuning is the problem of choosing a set of optimal hyperparameters for a learning algorithm.
В обучении машин, оптимизация гиперпараметров - это задача выбора набора оптимальных гиперпараметров для обучающего алгоритма.
In addition to algorithm selection (manual or automatic), you'll need to deal with optimizers, data cleaning, feature selection, feature normalization, and (optionally) hyperparameter tuning.
В дополнение к выбору алгоритма (вручную или автоматически) нужно будет иметь дело с оптимизаторами, очисткой данных, выбором функций, нормализацией и (необязательно) настройкой гиперпараметров.
Following those preprocessing steps, practitioners must then perform algorithm selection and hyperparameter optimization to maximize the predictive performance of their final machine learning model.
После этих шагов работник должен осуществить выбор алгоритма[en] и оптимизацию гиперпараметров для максимизации прогнозируемой производительности конечной модели обучения машин.
By iteratively evaluating a promising hyperparameter configuration based on the current model, and then updating it, Bayesian optimization, aims to gather observations revealing as much information as possible about this function and, in particular, the location of the optimum.
Путём итеративного применения перспективной конфигурации гиперпараметров, основанной на текущей модели, а затем её обновления, байесовская оптимизация стремится собрать как можно больше информации об этой функции и, в частности, место оптимума.
Productize existing or new Artificial intelligence frameworks for feature engineering, hyperparameter optimization, data processing, algorithms, model training and deployment (amongst others) for a wide variety of commercial problems (e.g., H2O.ai, Seldon* and SigOpt).
Выпускаются на рынок новые ИИ платформы для функциональных разработок, оптимизация гиперпараметров, обработки данных, формирования и ввода в действие алгоритмов и моделей (в числе прочего) для решения широкого диапазона коммерческих проблем (например, H2O.ai, Seldon* и SigOpt).
TransmogrifAI is a Scala/SparkML library created by Salesforce for automated data cleansing, feature engineering, model selection, and hyperparameter optimization RECIPE is a framework based on grammar-based genetic programming that builds customized scikit-learn classification pipelines.
TransmogrifAI является библиотекой на языке/фреймворке Scala/SparkML, созданная компанией Salesforce для автоматического очищения данных, конструирования признаков, выбора модели и оптимизации гиперпараметров RECIPE является фреймворком, опирающимся на основанном на грамматике генетическом программировании.
Auto-WEKA is a Bayesian hyperparameter optimization layer on top of WEKA.
Auto-WEKA является уровнем байесовской оптимизации гиперпараметров поверх системы WEKA.
Hyperparameter optimization finds a tuple of hyperparameters that yields an optimal model which minimizes a predefined loss function on given independent data.
Оптимизация гиперпараметров находит кортеж гиперпараметров, который даёт оптимальную модель, оптимизирующую заданную функцию потерь на заданных независимых данных.
Several production machine learning platforms now offer automatic hyperparameter tuning.
Learning rate is a key hyperparameter.