Sweeps에 대해 더 알아보기

더 자세히 알아볼 수 있도록 학술 논문, 예시 리포트, 튜토리얼, 그리고 Sweeps GitHub 저장소 링크를 확인하세요.

​

학술 논문

Li, Lisha, et al. “Hyperband: 하이퍼파라미터 최적화를 위한 새로운 밴딧 기반 방법.” The Journal of Machine Learning Research 18.1 (2017): 6765-6816.

​

Sweep Experiments

다음 W&B Reports는 W&B Sweeps를 사용해 하이퍼파라미터 최적화를 탐색하는 프로젝트 예시를 보여줍니다.

• Drought Watch Benchmark Progress
  • 설명: 베이스라인을 개발하고 Drought Watch 벤치마크 제출 결과를 탐색합니다.
• Tuning Safety Penalties in Reinforcement Learning
  • 설명: 패턴 생성, 패턴 제거, 내비게이션의 세 가지 작업에서 서로 다른 부작용 페널티로 학습된 agent를 살펴봅니다.
• Meaning and Noise in Hyperparameter Search with W&B Stacey Svetlichnaya
  • 설명: 신호와 파레이돌리아(상상 속 패턴)를 어떻게 구분할 수 있을까요? 이 글은 W&B로 무엇이 가능한지 보여주고, 더 깊이 탐색해 보도록 영감을 주는 것을 목표로 합니다.
• Who is Them? Text Disambiguation with Transformers
  • 설명: 자연어 이해를 위한 모델을 탐색하기 위해 Hugging Face를 사용합니다.
• DeepChem: Molecular Solubility
  • 설명: 랜덤 포레스트와 딥 네트워크를 사용해 분자 구조로부터 화학적 특성을 예측합니다.
• Intro to MLOps: Hyperparameter Tuning
  • 설명: 하이퍼파라미터 최적화가 왜 중요한지 살펴보고, 머신 러닝 모델의 하이퍼파라미터 튜닝을 자동화하는 세 가지 알고리즘을 알아봅니다.

​

셀프 관리형

다음 사용 방법 가이드에서는 W&B로 실제 문제를 해결하는 방법을 보여줍니다:

• XGBoost와 함께 사용하는 Sweeps
  • 설명: XGBoost를 사용해 하이퍼파라미터를 튜닝할 때 W&B Sweeps를 사용하는 방법.

​

Sweep GitHub 저장소

W&B는 오픈 소스를 지향하며 커뮤니티의 기여를 환영합니다. W&B Sweeps GitHub 저장소에서 확인할 수 있습니다. W&B 오픈 소스 저장소에 기여하는 방법에 대한 자세한 내용은 W&B GitHub의 기여 가이드라인을 참조하세요.