スキレンチュートリアル： モジュール 3

美容チュートリアル：モジュール3 〜スキを極めよう〜

公式のsklearn MOOCチュートリアルを受講しました。以下が私のまとめです。

これは私のscikit-learnチュートリアルシリーズの3番目の投稿です。もし見逃してしまった場合は、まず最初の2つの投稿を強くおすすめします-その方が追いつくのが簡単になります：

Sklearn チュートリアル: モジュール1

公式のsklearn MOOCチュートリアルを受講しました。以下が私のまとめです。

towardsdatascience.com

• 「人間と機械の相互作用の秘密を解き放つ：スペインのAI研究がアダプティブインターフェースデザインの進展に向けた包括的なデータセットを紹介」
• 予測保全の理解-波データ 特徴エンジニアリング（パート2）
• 「LLMの解読：PythonでスクラッチからTransformerエンコーダとマルチヘッドアテンションレイヤを作成する」

Sklearn チュートリアル: モジュール2

公式のsklearn MOOCチュートリアルを受講しました。以下が私のまとめです。

towardsdatascience.com

この第3モジュールでは、ハイパーパラメータが何であり、なぜそれらを最適化する必要があるのかについて見ていきます。

ハイパーパラメータとは何か

これまでにモデルを設定する際、私たちは前処理、モデルの種類、またはその両方を変更するだけでしたが、モデルのハイパーパラメータを実際に変更したことはありません。

モデルのハイパーパラメータは、データサイエンティストである私たちがモデル/パイプラインを作成する際に設定するパラメータです。これらは、モデルがデータを見る前にモデルを定義するためのパラメータです。同じパイプラインの異なる「バリアント」を定義することができると言えます。

ハイパーパラメータは通常、モデルの複雑さ、そしてその結果としての学習プロセスと全体的なモデルの性能に影響を与えます。与えられたデータセットと解決したい問題に対して、データサイエンティストとしてのあなたの役割は、無限の「ハイパーパラメータ化されたモデル」の空間から最も良いものを見つけることです。

ハイパーパラメータは、学習プロセス中にモデルが学習する内部パラメータとは異なることに注意してください。学習される内部パラメータは「係数」とも呼ばれます。例えば、多項式回帰では、学習前に設定されるハイパーパラメータは回帰の次元であり、トレインセットを使用して学習される内部パラメータは多項式回帰の係数（a/b/cのaX² + bX + c）です。つまり、まず次元（ハイパーパラメータ）を設定し、その後データを使用して回帰の適合が行われます（内部…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!