About: Hyperparameter optimization

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Hyperparameter optimization Goto Sponge NotDistinct Permalink

An Entity of Type : dbo:Disease, within Data Space : dbpedia.org associated with source document(s)
QRcode icon

http://dbpedia.org/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FHyperparameter_optimization

In machine learning, hyperparameter optimization or tuning is the problem of choosing a set of optimal hyperparameters for a learning algorithm. A hyperparameter is a parameter whose value is used to control the learning process. By contrast, the values of other parameters (typically node weights) are learned.

Attributes	Values
rdf:type	disease
rdfs:label	Hyperparameteroptimierung (de) Hyperparameter optimization (en) Оптимизация гиперпараметров (ru) Оптимізація гіперпараметрів (uk)
rdfs:comment	Im Bereich des maschinellen Lernens bezeichnet Hyperparameteroptimierung die Suche nach optimalen Hyperparametern. Ein Hyperparameter ist ein Parameter, der zur Steuerung des Trainingsalgorithmus verwendet wird und dessen Wert im Gegensatz zu anderen Parametern vor dem eigentlichen Training des Modells festgelegt werden muss. (de) Оптимизация гиперпараметров — задача машинного обучения по выбору набора оптимальных для обучающего алгоритма. Одни и те же виды моделей машинного обучения могут требовать различные предположения, веса или скорости обучения для различных видов данных. Эти параметры называются гиперпараметрами и их следует настраивать так, чтобы модель могла оптимально решить задачу обучения. Для этого находится кортеж гиперпараметров, который даёт оптимальную модель, оптимизирующую заданную функцию потерь на заданных независимых данных. Целевая функция берёт кортеж гиперпараметров и возвращает связанные с ними потери. Часто используется перекрёстная проверка для оценки этой обобщающей способности. (ru) In machine learning, hyperparameter optimization or tuning is the problem of choosing a set of optimal hyperparameters for a learning algorithm. A hyperparameter is a parameter whose value is used to control the learning process. By contrast, the values of other parameters (typically node weights) are learned. (en) Оптимізація гіперпараметрів — задача машинного навчання по вибору множини оптимальних гіперпараметрів для алгоритму машинного навчання. Гіперпараметр є параметром, значення якого використовується для керування процесом навчання. На відміну від значень інших параметрів (наприклад, вагових коефіцієнтів), які потрібно вивчити. (uk)
foaf:depiction
dcterms:subject	Machine learning Model selection Mathematical optimization
Wikipage page ID	54361643 (xsd:integer)
Wikipage revision ID	1114024235 (xsd:integer)
Link from a Wikipage to another Wikipage	Caret Cartesian product Bayesian optimization Scikit-learn Mutation (genetic algorithm) Curse of dimensionality Deep learning Genetic programming Neural architecture search Model selection Cross-validation (statistics) Crossover (genetic algorithm) Meta-optimization Machine learning Embarrassingly parallel Particle swarm optimization Machine learning Model selection Evolution Parameter Differential evolution Hyperparameter (machine learning) Mathematical optimization Keras Support vector machine Self-tuning Dlib Automated machine learning Automatic differentiation CMA-ES Spectral method Evolutionary algorithms Implicit function theorem Brute-force search Neural Network Intelligence R (programming language) Radial basis function Radial basis function kernel XGBoost Loss function Statistical classification Trust region Evolution strategy Evolutionary algorithm Fitness function Semidefinite programming Tree of Parzen estimators PySpark
Link from a Wikipage to an external page	https://www.tensorflow.org/probability https://github.com/google/vizier http://docs.h2o.ai/h2o/latest-stable/h2o-docs/automl.html http://scikit-learn.sourceforge.net/modules/grid_search.html http://topepo.github.io/caret/random-hyperparameter-search.html https://bigml.com/api/optimls https://iridia.ulb.ac.be/irace/ https://optuna.readthedocs.io/en/latest/ https://orion.readthedocs.io/ https://ray.readthedocs.io/en/latest/tune.html https://aws.amazon.com/sagemaker/ https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.RandomizedSearchCV.html https://mindfoundry.ai/OPTaaS https://indiesolver.com https://sigopt.com https://arxiv.org/abs/1703.02628 https://github.com/CMA-ES/pycma https://github.com/DEAP/deap https://github.com/PhilippPro/tuneRanger https://github.com/automl/DEHB https://github.com/automl/HpBandSter https://github.com/automl/SMAC3 https://github.com/automl/auto-sklearn https://github.com/autonomio/talos https://github.com/baptistar/BOCS https://github.com/callowbird/Harmonica https://github.com/coin-or/rbfopt https://github.com/determined-ai/determined https://github.com/dmlc/xgboost https://github.com/facebook/Ax https://github.com/facebookresearch/nevergrad https://github.com/google/pyglove

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (62 GB total memory, 54 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software