Le réglage des hyperparamètres est crucial pour optimiser les modèles d'apprentissage automatique, mais ce processus peut s'avérer coûteux et complexe en termes de calcul. Les méthodes traditionnelles d'optimisation par grille, par recherche aléatoire ou même par optimisation bayésienne négligent souvent des zones critiques de l'espace des hyperparamètres, ce qui conduit à des modèles sous-optimaux.
Dans cet exposé, nous présentons un module complémentaire JMP que nous avons développé et qui utilise un plan d'expériences de remplissage d'espace pour aborder plus efficacement le défi du réglage des hyperparamètres. L'utilisation d'un plan d'expériences de remplissage d'espace garantit un échantillonnage plus uniforme des combinaisons d'hyperparamètres sur l'ensemble de l'espace paramétrique, réduisant ainsi le nombre d'évaluations requises tout en augmentant les chances de trouver des paramètres optimaux.
Cette présentation met également en avant l'intégration améliorée de JMP 18 avec Python et les avantages que peuvent apporter les fonctionnalités comme DOE dans JMP aux data scientists. Elle combine des techniques statistiques avancées avec des outils pratiques et accessibles pour améliorer les performances des modèles dans diverses applications.
Cliquez ici pour voir la présentation.
Cliquez ici pour télécharger le module complémentaire Torch Companion.
