Optymalizacja hiperparametrów w algorytmach uczenia maszynowego na przykładzie metody XGBoost

dc.contributor.author	Soczewka, Mateusz
dc.date.accessioned	2023-01-12T12:02:29Z
dc.date.available	2023-01-12T12:02:29Z
dc.date.issued	2023-01-12
dc.identifier.issn	2022/M/DS/13
dc.identifier.uri	https://repin.pjwstk.edu.pl/xmlui/handle/186319/2222
dc.description.abstract	W pracy przedstawiono szczegółowy opis metody Extreme Gradient Boosting wraz z objasnieniem kluczowych hiperparametrów algorytmu. Przedstawiono analize najpopularniejszych metod optymalizacji hiperparametrów w metodach uczenia maszynowego. Przedstawiono dotychczasowe wyniki wybranych prac nad badaniem optymalizacji hiperparametrów. Porównano analizowane algorytmy oraz wykonano eksperymenty majace na celu wyłonienie najlepszej metody oraz sformułowanie ogólnych wniosków dotyczacych poszczególnych metod optymalizacyjnych.	pl_PL
dc.language.iso	other	pl_PL
dc.relation.ispartofseries	;Nr 7009
dc.subject	Extreme Gradient Boosting	pl_PL
dc.subject	hiperparametry	pl_PL
dc.subject	optymalizacja	pl_PL
dc.subject	grid search	pl_PL
dc.subject	random search	pl_PL
dc.subject	successive halving	pl_PL
dc.subject	hyperband	pl_PL
dc.subject	algorytmy genetyczne	pl_PL
dc.subject	optymalizacja bayesowska	pl_PL
dc.title	Optymalizacja hiperparametrów w algorytmach uczenia maszynowego na przykładzie metody XGBoost	pl_PL
dc.title.alternative	Hyperparameter optimization in machine learning algorithms based on the XGBoost method.	pl_PL
dc.type	Thesis	pl_PL