Hyperparameter Tuning ด้วย Azure Machine Learning Sweep Jobs

การค้นหา Hyperparameters ที่ถูกต้องสำหรับโมเดล Machine Learning ของคุณมักจะรู้สึกเหมือนการคาดเดา ซึ่งสิ้นเปลืองทั้งเวลาอันมีค่าและทรัพยากรระบบคลาวด์ หลักสูตรแบบข้อความนี้จะสอนวิธีทำกระบวนการนี้ให้เป็นอัตโนมัติโดยใช้ Azure Machine Learning sweep jobs เพื่อค้นหาการกำหนดค่าที่ดีที่สุดอย่างเป็นระบบ การเรียนจบหลักสูตรนี้จะช่วยให้คุณเปลี่ยนจากการปรับจูนแบบลองผิดลองถูกด้วยตนเอง ไปเป็นการรันการทดลองค้นหาแบบอัตโนมัติและขยายขีดความสามารถได้บนคลาวด์ คุณจะได้เรียนรู้วิธีการกำหนด Search Spaces, เลือก Sampling Methods และใช้ นโยบายการยุติการทำงานล่วงหน้า (Early Termination Policies) เพื่อประหยัดค่าใช้จ่ายในขณะที่เพิ่มประสิทธิภาพสูงสุดให้กับโมเดล สิ่งที่คุณจะได้เรียนรู้: - เข้าใจแนวคิดพื้นฐานของ Hyperparameter รวมถึง Discrete Search Spaces และ Continuous Search Spaces - กำหนดค่า Sweep Jobs โดยใช้ Azure Machine Learning SDK เวอร์ชันใหม่เพื่อปรับเพิ่มประสิทธิภาพโมเดลโดยอัตโนมัติ - ประยุกต์ใช้ Sampling Methods แบบต่างๆ เช่น Grid, Random และ Bayesian Search เพื่อสำรวจ Parameter Space ของคุณ - ใช้ นโยบายการยุติการทำงานล่วงหน้า เพื่อหยุดการทำงานที่ให้ผลลัพธ์ไม่ดี และเพิ่มประสิทธิภาพงบประมาณ Cloud Compute - ติดตามและวิเคราะห์ผลลัพธ์การทดลองโดยใช้ Integrated Metrics และเครื่องมือ Run History - เลือกและลงทะเบียนโมเดลที่มีประสิทธิภาพดีที่สุดโดยอัตโนมัติสำหรับการนำไปใช้งานในอนาคต เริ่มต้นด้วยคำศัพท์หลักและการตั้งค่า Workspace คุณจะได้พัฒนาทักษะผ่านการกำหนด Search Spaces, การตั้งค่าการรัน และการวิเคราะห์ผลลัพธ์ของการทดลอง Sweep ของคุณ แต่ละแนวคิดได้รับการเน้นย้ำด้วยคำอธิบายที่เป็นข้อความอย่างชัดเจนและ Code Snippets หลักสูตรนี้ออกแบบมาสำหรับนักวิทยาศาสตร์ข้อมูลมือใหม่และผู้ที่สนใจ Machine Learning ที่ต้องการขยายเวิร์กโฟลว์การเทรนโมเดลบนคลาวด์ ไม่จำเป็นต้องมีประสบการณ์มาก่อนเกี่ยวกับ Azure Machine Learning เริ่มอ่านวันนี้เพื่อทำให้การปรับเพิ่มประสิทธิภาพโมเดลเป็นระบบอัตโนมัติ และสร้างพายไลน์ Machine Learning ที่มีความแม่นยำยิ่งขึ้น