BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML [PARTIE 2]

En première partie, nous avons présenté et illustré le fonctionnement de deux algorithmes d'optimisation: l'optimisation bayésienne et le CMA-ES. Si le premier est très connu de la sphère data scientist notamment via la bibliothèque Hyperopt de Python, le deuxième est moins utilisé dans le...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Management & data science 2023
1. Verfasser:	RAJAOUI, Nordine
Format:	Artikel
Sprache:	fre
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

container_end_page
container_issue
container_start_page
container_title	Management & data science
container_volume
creator	RAJAOUI, Nordine
description	En première partie, nous avons présenté et illustré le fonctionnement de deux algorithmes d'optimisation: l'optimisation bayésienne et le CMA-ES. Si le premier est très connu de la sphère data scientist notamment via la bibliothèque Hyperopt de Python, le deuxième est moins utilisé dans le processus de recherche des meilleurs hyperparamètres pour un modèle donné afin d'améliorer ses performances. Il est donc intéressant de se demander si cet algorithme a son utilité en ML notamment dans la recherche des hyperparamètres. Nous allons analyser dans cet article les différents facteurs dont dépend la pertinence de l'utilisation du CMA-ES en ML en comparant son efficacité avec Hyperopt.
doi_str_mv	10.36863/mds.a.25154
format	Article
fullrecord	<record><control><sourceid>crossref</sourceid><recordid>TN_cdi_crossref_primary_10_36863_mds_a_25154</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>10_36863_mds_a_25154</sourcerecordid><originalsourceid>FETCH-LOGICAL-c754-ee9653c3c13b7f487c1f6ac0b26826676aefe3e16cff9b1123c672a3864ea9623</originalsourceid><addsrcrecordid>eNpNkE1KxDAAhYMoOIyz8wA5gK35aZLWXa3RCbTT0kZhEAlpTEBxUJqVN9BzzcUsowtX771v8RYfAOcYpZTnnF7unmNqU8Iwy47AgjDGEoGwOP7XT8EqxleEEClQTkm2AOq63O6_ByU38EH2w_0Aq6ZM5ACvYNtp1aih1KrdwJsZrbed7LuyL5v9l-5n0NTwcd5aSUiezsBJsG_Rr_5yCfSt1NU6qds7VZV14gTLEu8LzqijDtNRhCwXDgduHRoJzwnnglsfPPWYuxCKEWNCHRfE0pxn3hac0CW4-L1103uMkw_mY3rZ2enTYGQOIswswlhzEEF_AN7SS7s</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML [PARTIE 2]</title><source>DOAJ Directory of Open Access Journals</source><creator>RAJAOUI, Nordine</creator><creatorcontrib>RAJAOUI, Nordine</creatorcontrib><description>En première partie, nous avons présenté et illustré le fonctionnement de deux algorithmes d'optimisation: l'optimisation bayésienne et le CMA-ES. Si le premier est très connu de la sphère data scientist notamment via la bibliothèque Hyperopt de Python, le deuxième est moins utilisé dans le processus de recherche des meilleurs hyperparamètres pour un modèle donné afin d'améliorer ses performances. Il est donc intéressant de se demander si cet algorithme a son utilité en ML notamment dans la recherche des hyperparamètres. Nous allons analyser dans cet article les différents facteurs dont dépend la pertinence de l'utilisation du CMA-ES en ML en comparant son efficacité avec Hyperopt.</description><identifier>ISSN: 2555-7017</identifier><identifier>EISSN: 2555-7017</identifier><identifier>DOI: 10.36863/mds.a.25154</identifier><language>fre</language><ispartof>Management & data science, 2023</ispartof><lds50>peer_reviewed</lds50><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><link.rule.ids>314,776,780,860,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>RAJAOUI, Nordine</creatorcontrib><title>BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML [PARTIE 2]</title><title>Management & data science</title><description>En première partie, nous avons présenté et illustré le fonctionnement de deux algorithmes d'optimisation: l'optimisation bayésienne et le CMA-ES. Si le premier est très connu de la sphère data scientist notamment via la bibliothèque Hyperopt de Python, le deuxième est moins utilisé dans le processus de recherche des meilleurs hyperparamètres pour un modèle donné afin d'améliorer ses performances. Il est donc intéressant de se demander si cet algorithme a son utilité en ML notamment dans la recherche des hyperparamètres. Nous allons analyser dans cet article les différents facteurs dont dépend la pertinence de l'utilisation du CMA-ES en ML en comparant son efficacité avec Hyperopt.</description><issn>2555-7017</issn><issn>2555-7017</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNpNkE1KxDAAhYMoOIyz8wA5gK35aZLWXa3RCbTT0kZhEAlpTEBxUJqVN9BzzcUsowtX771v8RYfAOcYpZTnnF7unmNqU8Iwy47AgjDGEoGwOP7XT8EqxleEEClQTkm2AOq63O6_ByU38EH2w_0Aq6ZM5ACvYNtp1aih1KrdwJsZrbed7LuyL5v9l-5n0NTwcd5aSUiezsBJsG_Rr_5yCfSt1NU6qds7VZV14gTLEu8LzqijDtNRhCwXDgduHRoJzwnnglsfPPWYuxCKEWNCHRfE0pxn3hac0CW4-L1103uMkw_mY3rZ2enTYGQOIswswlhzEEF_AN7SS7s</recordid><startdate>2023</startdate><enddate>2023</enddate><creator>RAJAOUI, Nordine</creator><scope>AAYXX</scope><scope>CITATION</scope></search><sort><creationdate>2023</creationdate><title>BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML [PARTIE 2]</title><author>RAJAOUI, Nordine</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c754-ee9653c3c13b7f487c1f6ac0b26826676aefe3e16cff9b1123c672a3864ea9623</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>fre</language><creationdate>2023</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>RAJAOUI, Nordine</creatorcontrib><collection>CrossRef</collection><jtitle>Management & data science</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>RAJAOUI, Nordine</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML [PARTIE 2]</atitle><jtitle>Management & data science</jtitle><date>2023</date><risdate>2023</risdate><issn>2555-7017</issn><eissn>2555-7017</eissn><abstract>En première partie, nous avons présenté et illustré le fonctionnement de deux algorithmes d'optimisation: l'optimisation bayésienne et le CMA-ES. Si le premier est très connu de la sphère data scientist notamment via la bibliothèque Hyperopt de Python, le deuxième est moins utilisé dans le processus de recherche des meilleurs hyperparamètres pour un modèle donné afin d'améliorer ses performances. Il est donc intéressant de se demander si cet algorithme a son utilité en ML notamment dans la recherche des hyperparamètres. Nous allons analyser dans cet article les différents facteurs dont dépend la pertinence de l'utilisation du CMA-ES en ML en comparant son efficacité avec Hyperopt.</abstract><doi>10.36863/mds.a.25154</doi><oa>free_for_read</oa></addata></record>
fulltext	fulltext
identifier	ISSN: 2555-7017
ispartof	Management & data science, 2023
issn	2555-7017 2555-7017
language	fre
recordid	cdi_crossref_primary_10_36863_mds_a_25154
source	DOAJ Directory of Open Access Journals
title	BAYÉSIEN VERSUS CMA-ES : OPTIMISATION DES HYPERPARAMÈTRES ML [PARTIE 2]
url	https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-02T05%3A23%3A39IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-crossref&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=BAY%C3%89SIEN%20VERSUS%20CMA-ES%20:%20OPTIMISATION%20DES%20HYPERPARAM%C3%88TRES%20ML%20%5BPARTIE%202%5D&rft.jtitle=Management%20&%20data%20science&rft.au=RAJAOUI,%20Nordine&rft.date=2023&rft.issn=2555-7017&rft.eissn=2555-7017&rft_id=info:doi/10.36863/mds.a.25154&rft_dat=%3Ccrossref%3E10_36863_mds_a_25154%3C/crossref%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true