Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.
Hamiltonian Monte Carlo Methods in Machine Learning
Hamiltonian Monte Carlo Methods in Machine Learning wprowadza metody optymalnego dostrajania parametrów HMC, wraz z wprowadzeniem metod Shadow i Non-canonical HMC z ulepszeniami i przyspieszeniem. Wreszcie, autorzy poruszają krytyczne kwestie redukcji wariancji dla oszacowań parametrów wielu próbników opartych na HMC.
Książka oferuje kompleksowe wprowadzenie do hamiltonowskich metod Monte Carlo i zapewnia najnowocześniejszą ekspozycję obecnych patologii metod opartych na HMC zarówno w zakresie strojenia, skalowania, jak i próbkowania złożonych posteriorów w świecie rzeczywistym. Dotyczą one głównie skalowania wnioskowania (np. głębokich sieci neuronowych), dostrajania parametrów próbkowania wrażliwych na wydajność i wysokiej autokorelacji próbek.
Inne sekcje zawierają liczne rozwiązania potencjalnych pułapek, prezentując zaawansowane metody HMC z zastosowaniami w energii odnawialnej, finansach i klasyfikacji obrazów do zastosowań biomedycznych. Czytelnicy zapoznają się zarówno z teorią próbkowania HMC, jak i implementacją algorytmów.
