[{"data":1,"prerenderedAt":12},["ShallowReactive",2],{"stack-tr-es-optuna":3},{"tagline":4,"description":5,"strengths":6,"useCase":11},"El framework de optimización de hiperparámetros que encuentra la configuración adecuada con menos ensayos.","Optuna define el espacio de búsqueda sobre la marcha (define-by-run): cada hiperparámetro se muestrea dentro de la propia función objetivo, lo que permite espacios condicionales y anidados. Su sampler TPE bayesiano propone los siguientes ensayos a partir de los anteriores, sus pruners (median, Hyperband) interrumpen pronto los ensayos poco prometedores y los estudios se paralelizan en varias máquinas mediante un almacenamiento compartido. Compatible con cualquier framework, del boosting a PyTorch, es nuestra elección para sustituir el grid search en cuanto cada entrenamiento dura varios minutos.",[7,8,9,10],"Define-by-run: espacios de búsqueda condicionales escritos en Python puro.","Samplers TPE, CMA-ES y bayesiano por procesos gaussianos, optimización multiobjetivo (NSGA-II).","Poda de los ensayos poco prometedores: median, successive halving, Hyperband.","Estudios distribuidos sobre almacenamiento compartido, dashboard de visualización, integración con las bibliotecas de ML habituales.","Ajuste de boosters y redes neuronales, puesta a punto de pipelines, optimización de simulaciones.",1792851804971]