Bayesovská optimalizácia v akcii

Recenzie čitateľov

Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 3 hlasoch.

Pôvodný názov:

Bayesian Optimization in Action

Obsah knihy:

Bayesovská optimalizácia pomáha rýchlo a presne určiť najlepšiu konfiguráciu pre vaše modely strojového učenia. Využite jej pokročilé techniky v praxi s týmto praktickým sprievodcom.

V knihe Bayesovská optimalizácia v praxi sa dozviete, ako:

⬤ Trénovať Gaussove procesy na riedkych aj veľkých súboroch údajov.

⬤ Kombinovať Gaussove procesy s hlbokými neurónovými sieťami, aby boli flexibilné a expresívne.

⬤ Najsť najúspešnejšie stratégie pre ladenie hyperparametrov.

⬤ Prechádzať vyhľadávacím priestorom a identifikovať vysoko výkonné oblasti.

⬤ Použiť Bayesovskú optimalizáciu na nákladovo obmedzenú, viacúčelovú a preferenčnú optimalizáciu.

⬤ Zavedenie bayesovskej optimalizácie pomocou programov PyTorch, GPyTorch a BoTorch.

Bayesovská optimalizácia v praxi vám ukáže, ako optimalizovať ladenie hyperparametrov, A/B testovanie a ďalšie aspekty procesu strojového učenia pomocou najmodernejších bayesovských techník. Pomocou zrozumiteľného jazyka, ilustrácií a konkrétnych príkladov táto kniha dokazuje, že bayesovská optimalizácia nemusí byť zložitá! Získate hlboký prehľad o tom, ako Bayesovská optimalizácia funguje, a naučíte sa ju implementovať pomocou špičkových knižníc jazyka Python. Ľahko použiteľné ukážky kódu v knihe vám umožnia začať pracovať a zapojiť ich priamo do vlastných projektov.

Predslovy napísali Luis Serrano a David Sweet.

Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.

O technológii

V strojovom učení ide pri optimalizácii o dosiahnutie najlepších predpovedí - najkratších dodacích trás, dokonalých cien, najpresnejších odporúčaní - v čo najmenšom počte krokov. Bayesovská optimalizácia využíva matematiku pravdepodobnosti na efektívne dolaďovanie ML funkcií, algoritmov a hyperparametrov, keď sú tradičné metódy príliš pomalé alebo drahé.

O knihe

Bayesovská optimalizácia v praxi vás naučí, ako vytvárať efektívne procesy strojového učenia pomocou Bayesovského prístupu. Preskúmate v ňom praktické techniky na trénovanie veľkých súborov údajov, ladenie hyperparametrov a navigáciu v zložitých prehľadávacích priestoroch. Táto zaujímavá kniha obsahuje pútavé ilustrácie a zábavné príklady, ako je zdokonaľovanie sladkosti kávy, predpovedanie počasia a dokonca vyvracanie vešteckých tvrdení. Naučíte sa, ako sa pohybovať vo viacúčelových scenároch, zohľadňovať náklady na rozhodovanie a riešiť párové porovnávania.

Čo je vnútri

⬤ Gausove procesy pre riedke a veľké súbory údajov.

⬤ Stratégie pre ladenie hyperparametrov.

⬤ Identifikácia vysoko výkonných oblastí.

⬤ Príklady v PyTorch, GPyTorch a BoTorch.

O čitateľovi

Pre odborníkov v oblasti strojového učenia, ktorí si sú istí v matematike a štatistike.

O autorovi

Quan Nguyen je výskumný asistent na Washingtonskej univerzite v St. Píše pre Python Software Foundation a je autorom niekoľkých kníh o programovaní v jazyku Python.

Obsah Table of Contents.

1 Úvod do Bayesovskej optimalizácie.

ČASŤ 1 MODELOVANIE S GAUSSOVSKÝMI PROCESMI.

2 Gaussove procesy ako rozdelenia nad funkciami.

3 Prispôsobenie Gaussovho procesu pomocou strednej hodnoty a kovariančnej funkcie.

ČASŤ 2 ROZHODOVANIE POMOCOU BAYESOVSKEJ OPTIMALIZÁCIE.

4 Spresnenie najlepšieho výsledku pomocou politík založených na zlepšovaní.

5 Skúmanie priestoru hľadania pomocou politík typu bandit.

6 Využitie teórie informácií s politikami založenými na entropii.

ČASŤ 3 ROZŠÍRENIE BAYESOVSKEJ OPTIMALIZÁCIE NA ŠPECIALIZOVANÉ NASTAVENIA.

7 Maximalizácia priepustnosti pomocou dávkovej optimalizácie.

8 Splnenie dodatočných obmedzení pomocou obmedzenej optimalizácie.

9 Vyváženie užitočnosti a nákladov pomocou optimalizácie s viacerými vernosťami.

10 Učenie sa z párových porovnaní s preferenčnou optimalizáciou.

11 Optimalizácia viacerých cieľov súčasne.

ČASŤ 4 ŠPECIÁLNE MODELY GAUSSOVSKÝCH PROCESOV.

12 Škálovanie gaussovských procesov na veľké súbory údajov.

13 Kombinácia Gaussových procesov s neurónovými sieťami.