EUVIMEDEUVIMED entdecken
Crossref

BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML

Nordine Rajaoui

Management & Data Science · 2023

DOI: 10.36863/mds.a.24309 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Management & Data Science, 2023. Verfasst von Nordine Rajaoui. Die Arbeit wurde bisher 1-mal zitiert (Crossref).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

L'optimisation des hyperparamètres est une étape cruciale dans le processus de développement de modèles de machine learning performants. Parmi les approches d'optimisation les plus populaires, on retrouve l'optimisation bayésienne et le CMA-ES (Covariance Matrix Adaptation Evolution Strategy), deux méthodes puissantes qui visent à explorer efficacement l'espace des hyperparamètres et à identifier les combinaisons optimales. Dans cet article, nous nous pencherons sur la comparaison entre l'optimisation bayésienne et le CMA-ES dans le cadre de l'optimisation des hyperparamètres en machine learning.

Zitieren

APA

Rajaoui, N. (2023). BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML. Management & Data Science. https://doi.org/10.36863/mds.a.24309

Vancouver

Rajaoui N. BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML. Management & Data Science. 2023. doi:10.36863/mds.a.24309

BibTeX
@article{Rajaoui2023,
  author = {Rajaoui, Nordine},
  title = {BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML},
  journal = {Management & Data Science},
  year = {2023},
  doi = {10.36863/mds.a.24309}
}
Kostenlos starten →