Во многих прикладных областях возникают задачи, требующие выбора оптимальных значений параметров сложных объектов, процессов, алгоритмов. Типичным примером являются методы машинного обучения, в которых оптимальная настройка гиперпараметров может существенно повысить значение целевой метрики качества. Фреймворк методов интеллектуальной оптимизации iOpt предоставляет пользователю возможность как выполнять такую настройку гиперпараметров, так и решать задачи глобально-оптимального выбора в общем виде. В докладе будут рассмотрены математические основы и программная реализация алгоритмов, реализованных в iOpt, а также представлены результаты экспериментального сравнения ряда фреймворков, которые показывают, что iOpt не уступает по качеству работы известным фреймворкам, таким как HyperOpt и Optuna. Data Fest 2023: Трек “Open Source“: Наши соц.сети: Telegram: Вконтакте:
Hide player controls
Hide resume playing