> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.

> Trouvez des liens vers des articles scientifiques, des exemples de Reports, des tutoriels et le dépôt GitHub de Sweeps pour aller plus loin.

# En savoir plus sur les Sweeps

<div id="academic-papers">
  ### Articles scientifiques
</div>

Li, Lisha, et al. "[Hyperband: A novel bandit-based approach to hyperparameter optimization.](https://arxiv.org/pdf/1603.06560.pdf)" *The   Journal of Machine Learning Research* 18.1 (2017): 6765-6816.

<div id="sweep-experiments">
  ### Experiments avec Sweeps
</div>

Les Reports W\&B suivants présentent des exemples de projets qui explorent l'optimisation des hyperparamètres avec W\&B Sweeps.

* [Drought Watch Benchmark Progress](https://wandb.ai/stacey/droughtwatch/reports/Drought-Watch-Benchmark-Progress--Vmlldzo3ODQ3OQ)
  * Description : Développement de la référence de base et exploration des soumissions au benchmark Drought Watch.
* [Tuning Safety Penalties in Reinforcement Learning](https://wandb.ai/safelife/benchmark-sweeps/reports/Tuning-Safety-Penalties-in-Reinforcement-Learning---VmlldzoyNjQyODM)
  * Description : Nous examinons des agents entraînés avec différentes pénalités liées aux effets de bord sur trois tâches distinctes : création de motifs, suppression de motifs et navigation.
* [Meaning and Noise in Hyperparameter Search with W\&B](https://wandb.ai/stacey/pytorch_intro/reports/Meaning-and-Noise-in-Hyperparameter-Search--Vmlldzo0Mzk5MQ) [Stacey Svetlichnaya](https://wandb.ai/stacey)
  * Description : Comment distinguer le signal de la paréidolie (des motifs imaginaires) ? Cet article montre ce qu'il est possible de faire avec W\&B et vise à encourager une exploration plus approfondie.
* [Who is Them? Text Disambiguation with Transformers](https://wandb.ai/stacey/winograd/reports/Who-is-Them-Text-Disambiguation-with-Transformers--VmlldzoxMDU1NTc)
  * Description : Utilisation de Hugging Face pour explorer des modèles de compréhension du langage naturel
* [DeepChem: Molecular Solubility](https://wandb.ai/stacey/deepchem_molsol/reports/DeepChem-Molecular-Solubility--VmlldzoxMjQxMjM)
  * Description : Prédire les propriétés chimiques à partir de la structure moléculaire à l'aide de forêts aléatoires et de réseaux neuronaux profonds.
* [Intro to MLOps: Hyperparameter Tuning](https://wandb.ai/iamleonie/Intro-to-MLOps/reports/Intro-to-MLOps-Hyperparameter-Tuning--VmlldzozMTg2OTk3)
  * Description : Découvrez pourquoi l'optimisation des hyperparamètres est importante et examinez trois algorithmes permettant d'automatiser le réglage des hyperparamètres de vos modèles de machine learning.

<div id="selfm-anaged">
  ### autogéré
</div>

Le guide pratique suivant présente comment résoudre des problèmes concrets avec W\&B :

* [Sweeps avec XGBoost ](https://github.com/wandb/examples/blob/master/examples/wandb-sweeps/sweeps-xgboost/xgboost_tune.py)
  * Description : comment utiliser W\&B Sweeps pour l’optimisation des hyperparamètres avec XGBoost.

<div id="sweep-github-repository">
  ### Dépôt GitHub de Sweeps
</div>

W\&B soutient l’open source et accueille les contributions de la communauté. Consultez le [dépôt GitHub de W\&B Sweeps](https://github.com/wandb/sweeps). Pour savoir comment contribuer au dépôt open source de W\&B, consultez les [consignes de contribution](https://github.com/wandb/wandb/blob/main/CONTRIBUTING.md) sur GitHub.