المقدمة
يتطلب تحسين نماذج الذكاء الاصطناعي اختيار المعلمات الفائقة المناسبة وضبطها بشكل منهجي لتحقيق أقصى أداء. تستكشف هذه الدورة نظرية التحسين، واستراتيجيات البحث، وتقنيات التعلم الآلي الحديثة. سيتعلم المشاركون كيف تؤثر المعلمات الفائقة على ديناميكيات التدريب وكيفية اختيار التكوينات المثلى بكفاءة. من خلال التمارين العملية، سيستخدم المتعلمون أدوات التحسين لتحسين النماذج الحقيقية. بحلول النهاية، سيفهم المشاركون كيفية ضبط النماذج بفعالية وبشكل قابل للتكرار.
أهداف الدورة
- فهم المعاملات الفائقة وأدوارها
- تعلم استراتيجيات البحث اليدوية، الشبكية، والعشوائية
- استكشف أدوات التحسين البايزي وAutoML
- تحسين دقة وكفاءة النموذج
- تطبيق تقنيات الضبط على نماذج الذكاء الاصطناعي الحقيقية
الفئة المستهدفة
- مهندسو التعلم الآلي المتوسط
- علماء البيانات
- باحثو الذكاء الاصطناعي
- الطلاب الذين يدرسون تعلم الآلة التطبيقي
- المحترفون الذين يعملون على تحسين النماذج
المنهاج
- 5 Sections
- 0 Lessons
- 5 أيام
Expand all sectionsCollapse all sections
- اليوم الأول: أسس التحسين• ما هي المعاملات الفائقة؟• الضبط مقابل التدريب• مساحات البحث• مراجعة التركيب الزائد أو النقص• التفاعل العملي: تحديد المعلمات الفائقة الرئيسية0
- اليوم الثاني: طرق البحث التقليدية• الضبط اليدوي• البحث الشبكي• البحث العشوائي• نقاط القوة والقيود• التجربة العملية: ضبط نموذج بسيط0
- اليوم الثالث: تحسين بايزي• العمليات الغاوسية• وظائف الاستحواذ• تحسين النموذج التسلسلي• اعتبارات عملية• التجربة العملية: ضبط البايزي0
- اليوم الرابع: أدوات التحسين المتقدمة• أنظمة AutoML• الخوارزميات التطورية• تحسين الأهداف المتعددة• ضبط موزع• تجربة عملية: عرض توضيحي للعبة AutoML0
- اليوم الخامس: استراتيجيات الضبط الواقعية• ضبط النماذج الكبيرة• مفاضلات الأداء مقابل التكلفة• قابلية التكرار والتتبع• جدولة التجارب• مشروع التخرج0
Instructor
Lessons:
