하이퍼파라미터 튜닝은 머신 러닝 모델을 최적화하는 데 필수적이지만, 이 프로세스는 계산적으로 비용이 많이 들고 복잡할 수 있습니다. 기존의 그리드, 랜덤 검색 또는 베이지안 최적화 방법은 종종 하이퍼파라미터 공간의 중요한 영역을 놓치고, 이로 인해 최적이 아닌 모델이 생성됩니다.
이 강연에서 우리는 공간 채우기 DOE를 사용하여 하이퍼파라미터 튜닝 과제에 보다 효율적으로 접근하는 JMP 추가 기능을 개발했습니다. 공간 채우기 DOE를 사용하면 하이퍼파라미터 조합이 전체 매개변수 공간에서 보다 균등하게 샘플링되므로 필요한 평가 횟수를 줄이는 동시에 최적의 설정을 찾을 가능성을 높일 수 있습니다.
이 강연에서는 JMP 18에서 발견되는 Python과의 향상된 통합과 JMP 내부의 DOE와 같은 기능을 활용하는 것이 데이터 과학자에게 어떻게 유익할 수 있는지에 대해서도 강조합니다. 이 강연에서는 고급 통계 기법과 실용적이고 접근 가능한 도구를 결합하여 다양한 애플리케이션에서 모델 성능을 향상시킵니다.
여기를 클릭하여 프레젠테이션을 보십시오.
여기를 클릭하여 Torch Companion 추가 기능을 다운로드하세요.
