Sweeps についてさらに詳しく

さらに学習するための学術論文、サンプルのReports、チュートリアル、Sweeps GitHub リポジトリ へのリンクを掲載しています。

​

学術論文

Li, Lisha, ほか. “Hyperband: A novel bandit-based approach to hyperparameter optimization.” The Journal of Machine Learning Research 18.1 (2017): 6765-6816.

​

Sweep Experiments

以下のW&B Reportsでは、W&B Sweepsを使ったハイパーパラメーター最適化を探るプロジェクト例を紹介しています。

• Drought Watch Benchmark Progress
  • 説明: ベースラインを構築し、Drought Watchベンチマークへの提出内容を検討します。
• Tuning Safety Penalties in Reinforcement Learning
  • 説明: パターン作成、パターン除去、navigationの3つの異なるタスクについて、異なる副作用ペナルティでトレーニングしたagentを検証します。
• Meaning and Noise in Hyperparameter Search with W&B Stacey Svetlichnaya
  • 説明: シグナルとパレイドリア (実在しないパターンの見間違い) をどのように見分けるのでしょうか。この記事では、W&Bで何が可能かを示し、さらなる探究のきっかけを提供します。
• Who is Them? Text Disambiguation with Transformers
  • 説明: Hugging Faceを使って、自然言語理解のためのモデルを探ります。
• DeepChem: Molecular Solubility
  • 説明: ランダムフォレストとディープネットを使って、分子構造から化学特性を予測します。
• Intro to MLOps: Hyperparameter Tuning
  • 説明: ハイパーパラメーター最適化が重要な理由を探り、機械学習モデルのハイパーパラメーター調整を自動化する3つのアルゴリズムを紹介します。

​

セルフマネージド

以下のハウツーガイドでは、W&B を使って実際の課題を解決する方法を紹介します。

• XGBoost を使った Sweeps
  • Description: XGBoost を使用したハイパーパラメーター調整に W&B Sweeps を使う方法。

​

Sweep GitHub リポジトリ

W&B はオープンソースを推進しており、コミュニティからの貢献を歓迎しています。W&B Sweeps GitHub リポジトリをご覧ください。W&B のオープンソースリポジトリへの貢献方法については、W&B GitHub のコントリビューション ガイドラインを参照してください。