Ajustar los hiperparámetros es crucial para optimizar los modelos de aprendizaje automático, pero el proceso puede ser computacionalmente costoso y complejo. Los métodos tradicionales de optimización de cuadrícula, búsqueda aleatoria o incluso bayesianos suelen omitir áreas críticas del espacio de hiperparámetros, lo que genera modelos subóptimos.
En esta charla, presentamos un complemento JMP que desarrollamos y que utiliza DOE de relleno de espacio para abordar de forma más eficiente el reto del ajuste de hiperparámetros. El uso de DOE de relleno de espacio garantiza que las combinaciones de hiperparámetros se muestreen de forma más uniforme en todo el espacio de parámetros, lo que reduce el número de evaluaciones necesarias y aumenta la probabilidad de encontrar la configuración óptima.
Esta charla también destaca la integración mejorada con Python presente en JMP 18 y cómo aprovechar capacidades como DOE dentro de JMP puede ser beneficioso para los científicos de datos. Esta charla combina técnicas estadísticas avanzadas con herramientas prácticas y accesibles para optimizar el rendimiento de los modelos en diversas aplicaciones.
Haga clic aquí para ver la presentación.
Haga clic aquí para descargar el complemento Torch Companion.
