Obter conhecimento de especialistas e profissionais em sintonia e otimização de hiperparâmetros é fácil quando você segue seus blogs e podcasts. Essas plataformas fornecem informações, como dicas, estudos de caso e entrevistas, sobre diversos temas relacionados à área. Por exemplo, o blog do SigOpt contém artigos sobre otimização bayesiana, otimização multiobjetivo e aplicações dessas técnicas a diferentes domínios e problemas. Além disso, o TWIML AI Podcast entrevista os principais pesquisadores e praticantes de aprendizado de máquina e inteligência artificial, com alguns episódios focados em ajuste e otimização de hiperparâmetros.
Acompanhe o ajuste e a otimização de hiperparâmetros lendo artigos e livros sobre o tema. Os artigos oferecem novas ideias, métodos e resultados, bem como uma maneira de compreender os fundamentos teóricos e as limitações das técnicas existentes. Os livros fornecem uma visão geral abrangente do campo, juntamente com as melhores práticas e exemplos. Para começar, considere a leitura de Otimização Bayesiana Prática de Algoritmos de Aprendizado de Máquina, que introduz a otimização Bayesiana. Outra leitura, Hyperparameter Optimization in Machine Learning, pesquisa métodos de última geração, enquanto AutoML: Methods, Systems, Challenges aborda o aprendizado de máquina automatizado.
Manter-se informado sobre pesquisas e desenvolvimentos em ajuste e otimização de hiperparâmetros também pode ser feito com a ajuda de ferramentas e frameworks. Isso pode economizar tempo, reduzir erros e melhorar os resultados automatizando ou simplificando o processo. Além disso, eles podem ajudá-lo a aprender com os padrões do campo, além de experimentar diferentes técnicas. Exemplos de tais ferramentas e frameworks são o Optuna, que suporta vários algoritmos, como busca em grade e otimização bayesiana, e o Ray Tune, uma biblioteca para ajuste de hiperparâmetros escalável e distribuído que se integra a frameworks como o PyTorch. O Keras Tuner é uma biblioteca para ajuste de hiperparâmetros para modelos Keras que permite definir o espaço de pesquisa, o objetivo e o algoritmo.
There are other basic tools like cross validation methods in sklearn and also hyperopt, where you can define your own customised objective function to minimise as well