Hodnotenie:
Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 5 hlasoch.
Optimization for Machine Learning
Aktuálny prehľad vzájomného pôsobenia optimalizácie a strojového učenia, prístupný študentom a výskumníkom v oboch komunitách.
Vzájomné pôsobenie optimalizácie a strojového učenia je jedným z najdôležitejších vývojových trendov v modernej počítačovej vede. Optimalizačné formulácie a metódy sa ukazujú ako kľúčové pri navrhovaní algoritmov na získavanie základných znalostí z obrovských objemov údajov. Strojové učenie však nie je len konzumentom optimalizačných technológií, ale rýchlo sa rozvíjajúcou oblasťou, ktorá sama generuje nové optimalizačné myšlienky. Táto kniha zachytáva súčasný stav interakcie medzi optimalizáciou a strojovým učením spôsobom, ktorý je prístupný výskumníkom v oboch oblastiach.
Optimalizačné prístupy sa tešia významu v strojovom učení vďaka svojej širokej použiteľnosti a atraktívnym teoretickým vlastnostiam. Rastúca zložitosť, veľkosť a rozmanitosť dnešných modelov strojového učenia si vyžaduje prehodnotenie existujúcich predpokladov. Táto kniha začína proces prehodnocovania. Opisuje znovuzrodenie v nových súvislostiach zavedených rámcov, ako sú metódy prvého rádu, stochastické aproximácie, konvexné relaxácie, metódy vnútorného bodu a proximálne metódy. Pozornosť venuje aj novším témam, ako sú regularizovaná optimalizácia, robustná optimalizácia, gradientové a subgradientové metódy, techniky delenia a metódy druhého rádu. Mnohé z týchto techník čerpajú inšpiráciu z iných oblastí vrátane operačného výskumu, teoretickej informatiky a podoblastí optimalizácie. Kniha obohatí prebiehajúce vzájomné obohacovanie medzi komunitou strojového učenia a týmito ďalšími oblasťami a v rámci širšej optimalizačnej komunity.