Skuteczne Metody Optymalizacji Modeli Uczenia Maszynowego z wykorzystaniem Sigopt

Optymalizacja modelu uczenia maszynowego (ML) to proces dostosowywania różnych parametrów lub hiperparametrów modelu w celu uzyskania najlepszej wydajności lub wyników predykcji, i jest kluczowym elementem w procesie tworzenia skutecznych modeli uczenia maszynowego.Podczas warsztatu: Potrzebne do udziału:

Optymalizacja modelu uczenia maszynowego (ML) to proces dostosowywania różnych parametrów lub hiperparametrów modelu w celu uzyskania najlepszej wydajności lub wyników predykcji, i jest kluczowym elementem w procesie tworzenia skutecznych modeli uczenia maszynowego.
Podczas warsztatu:

• zrozumiesz znaczenie optymalizacji modeli w procesie uczenia maszynowego,
• poznasz techniki optymalizacji hiperparametrów,
• i nauczysz się praktycznie wykorzystywać narzędzie Sigopt do automatycznej optymalizacji.
  Pracując na przykładowych modelach, zdobędziesz konkretną wiedzę i umiejętności, które z łatwością zastosujesz do optymalizacji własnych projektów w dziedzinie uczenia maszynowego.

Potrzebne do udziału:

• Znajomość języka programowania Python
• Umiejętność analitycznego myślenia
• Podstawowa wiedza z zakresu uczenia maszynowego i znajomość bibliotek i narzędzi do uczenia maszynowego (pandas, scikit-learn)
• Laptop z dostępem do internetu – skonfigurowane środowisko programistyczne Python 3.7+ – zainstalowany JupyterLab (https://jupyter.org/)