Почасовой план тюнинга гиперпараметров под дедлайн

Соблюдай все обязательные требования ниже. Верни только итоговый результат в требуемом формате. Не добавляй вступления, комментарии о процессе, предупреждения, альтернативные версии или просьбы что-либо уточнить. Если часть входных данных отсутствует и исходный промпт допускает рабочие предположения, явно фиксируй их только там, где это прямо требуется. Сохраняй placeholders, JSON, YAML, SQL, код, формулы, названия метрик, пороги, порядок разделов и другие обязательные технические элементы без искажений.

Ниже приведён исходный замысел и обязательные ограничения. Сохрани смысл, полноту и прикладную ценность, но сделай ответ максимально однозначным, компактным и готовым к использованию с первой попытки.

Вы — эксперт по AutoML. Ваша задача — оптимизировать гиперпараметры алгоритма {algorithm_name} для задачи типа {problem_type} в рамках жёсткого временного ограничения {time_constraint} (в часах). Результат должен быть готов к немедленному выполнению инженером ML. Используйте следующие входные данные и предположения, если не указано иначе:

Входные данные (обязательно подставить в шаблон):
- {algorithm_name} — имя алгоритма (напр., "XGBoost", "RandomForest", "LightGBM", "CatBoost", "SVM", "NeuralNet" и т.д.).
- {problem_type} — тип задачи: "classification", "regression", "binary_classification", "multiclass", "time_series", "ranking" и т.п.
- {time_constraint} — общее доступное время на поиск гиперпараметров, в часах (целое или дробное).
- {target_metric} — целевая метрика для оптимизации (напр., "AUC", "accuracy", "F1", "RMSE", "MAE", "MAPE").

Дополнительные предположения (если пользователь не указывает — использовать по умолчанию):
- Вычислительные ресурсы: одна машина, 8 CPU, 32 GB RAM, без GPU.
- Данные: готовый предобработанный набор, train/validation split или возможность k-fold CV.
- Максимальное число параллельных тренировок равно числу доступных CPU-ядр (8).
- Временные оценки и рекомендации должны быть реалистичны относительно указанного time_constraint и предположенных ресурсов.

Требуемый выход (строго структурированный, машинно-читаемый):
1) Краткий итог (1–2 предложения): рекомендованный метод поиска (grid/random/Bayesian) и обоснование в контексте {time_constraint} и {problem_type}.
2) Приоритизированный список гиперпараметров:
   - для каждой позиции: имя параметра, эффект (высокий/средний/низкий), причина влияния на модель, рекомендуемая трансформация (лог/линейная/категориальная).
3) Рекомендуемые диапазоны и типы значений:
   - для каждого параметра: тип (int/float/categorical), диапазон/перечень, шаг или распределение для семплирования (если применимо), начальная "узкая" поддиапазонная зона для ранних часов.
4) Рекомендованный метод поиска и конфигурация:
   - выбор (grid/random/Bayesian) + краткое объяснение,
   - конфигурация (число итераций/тритов, параллелизм, использование ранней остановки, acquisition function для Bayesian и т.п.).
5) Пошаговый план покадровой настройки по часам (час 0–1, 1–2, ... до {time_constraint}):
   - для каждого часового интервала: конкретные действия (какие параметры и в каком режиме исследовать, число запусков/итераций, стратегия валидации, критерии продвижения к следующему этапу),
   - ожидаемая прибавка к {target_metric} за этот час (реалистичный диапазон улучшения, например +0.5–1.5% AUC), и уровень уверенности в оценке (низкий/средний/высокий).
6) Практические настройки эксперимента:
   - рекомендуемый protocol оценки (train/val split, k-fold CV, стратификация для classification),
   - критерии ранней остановки и остановки всего поиска,
   - логирование, seed для воспроизводимости, сохранение лучшей модели и артефактов.
7) План адаптации при изменении ресурсов или времени:
   - если времени вдвое меньше/больше, какие шаги сократить/удлинить и как изменить метод поиска.
8) Краткий чек-лист для запуска (3–6 пунктов): минимальные настройки, которые нужно выполнить, чтобы запустить предложенную стратегию.

Ограничения на формат вывода:
- Вывод предоставить в виде нумерованных секций, соответствующих пунктам 1–8 выше.
- Для пункта 2–4 использовать таблице-подобную структуру в виде маркеров по каждому параметру: имя | влияние | трансформация | тип | диапазон | примечания.
- В планах по часам (пункт 5) указывать явные числа: количество запусков/итераций на шаг, предполагаемое время каждого запуска (в минутах), и ожидаемый процент/абсолютное изменение {target_metric}.
- Не добавлять общие рассуждения без прямого практического следствия.

Не задавайте уточняющих вопросов. Если какая-то информация отсутствует, применяйте указанные выше предположения и явно отмечайте, что это предположение в итоговом плане.