Hyperparameter Tuning

Model başarısının önemli bir bölümü algoritma seçiminden değil, o algoritmanın hiperparametrelerinin nasıl ayarlandığından gelir; aynı gradyan artırma modeli yalnızca ayar farkıyla kabul edilebilir ile üretime alınamaz arasında gidip gelebilir. Buna karşılık ayar çalışması, doğrulama kurgusu zayıf olduğunda kolayca aşırı uyuma ve yanıltıcı skorlara yol açar. Program hiperparametre optimizasyonunu deneme yanılma alışkanlığından çıkarıp arama uzayı tasarımı, doğrulama stratejisi ve hesaplama bütçesi yönetimi olan bir disipline dönüştürür. Altı modül hiperparametre kavramı ve arama uzayı tasarımıyla başlar; ızgara arama ile rastgele arama aynı bütçe üzerinden karşılaştırmalı olarak uygulanır. Bayesçi optimizasyon modülünde vekil model ve edinim fonksiyonu mantığı, Hyperband modülünde ardışık yarıştırma ve erken durdurma temelli bütçe yönetimi çalışılır. AutoML modülünde uçtan uca pipeline optimizasyonu ele alınır; son modül üretim ortamında deney takibi, tekrarlanabilirlik, dağıtık arama ve yeniden eğitim politikalarını kapsar. Katılımcılar bir veri seti üzerinde farklı arama stratejilerini eşit bütçeyle karşılaştıran bir deney raporu üretir.