Optymalizacja bayesowska w akcji

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Bayesian Optimization in Action

Zawartość książki:

Optymalizacja bayesowska pomaga szybko i dokładnie określić najlepszą konfigurację modeli uczenia maszynowego. Wykorzystaj jej zaawansowane techniki w praktyce dzięki temu praktycznemu przewodnikowi.

W Bayesian Optimization in Action dowiesz się, jak: ⬤ Trenować procesy Gaussa zarówno na rzadkich, jak i dużych danych.

⬤ Trenować procesy Gaussa zarówno na rzadkich, jak i dużych zbiorach danych.

⬤ Łączyć procesy gaussowskie z głębokimi sieciami neuronowymi, aby uczynić je elastycznymi i ekspresyjnymi.

⬤ Znaleźć najbardziej skuteczne strategie dostrajania hiperparametrów.

⬤ Nawigować w przestrzeni wyszukiwania i identyfikować regiony o wysokiej wydajności.

⬤ Zastosuj optymalizację bayesowską do optymalizacji ograniczonej kosztami, optymalizacji wielocelowej i optymalizacji preferencji.

⬤ Implementacja optymalizacji bayesowskiej za pomocą PyTorch, GPyTorch i BoTorch.

Bayesian Optimization in Action pokazuje, jak zoptymalizować strojenie hiperparametrów, testy A/B i inne aspekty procesu uczenia maszynowego, stosując najnowocześniejsze techniki bayesowskie. Używając jasnego języka, ilustracji i konkretnych przykładów, książka ta udowadnia, że optymalizacja bayesowska nie musi być trudna! Poznasz dogłębnie działanie optymalizacji bayesowskiej i dowiesz się, jak zaimplementować ją za pomocą najnowocześniejszych bibliotek Pythona. Łatwe do ponownego wykorzystania przykłady kodu zawarte w książce pozwolą ci od razu rozpocząć pracę, podłączając je bezpośrednio do własnych projektów.

Przedmowy autorstwa Luisa Serrano i Davida Sweeta.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

W uczeniu maszynowym optymalizacja polega na uzyskaniu najlepszych przewidywań - najkrótszych tras dostaw, idealnych punktów cenowych, najdokładniejszych rekomendacji - w jak najmniejszej liczbie kroków. Optymalizacja bayesowska wykorzystuje matematykę prawdopodobieństwa do skutecznego dostrajania funkcji ML, algorytmów i hiperparametrów, gdy tradycyjne metody są zbyt wolne lub kosztowne.

O książce

Bayesian Optimization in Action uczy, jak tworzyć wydajne procesy uczenia maszynowego przy użyciu podejścia bayesowskiego. Poznasz w niej praktyczne techniki trenowania dużych zbiorów danych, dostrajania hiperparametrów i poruszania się po złożonych przestrzeniach wyszukiwania. Ta interesująca książka zawiera wciągające ilustracje i zabawne przykłady, takie jak doskonalenie słodyczy kawy, przewidywanie pogody, a nawet obalanie twierdzeń psychicznych. Dowiesz się, jak poruszać się w scenariuszach wieloobiektowych, uwzględniać koszty decyzji i radzić sobie z porównaniami parami.

Co jest w środku

⬤ Procesy gaussowskie dla rzadkich i dużych zbiorów danych.

⬤ Strategie dostrajania hiperparametrów.

⬤ Identyfikacja regionów o wysokiej wydajności.

⬤ Przykłady w PyTorch, GPyTorch i BoTorch.

O czytelniku

Dla praktyków uczenia maszynowego, którzy są pewni siebie w matematyce i statystyce.

O autorze

Quan Nguyen jest asystentem naukowym na Uniwersytecie Waszyngtońskim w St. Louis. Pisze dla Python Software Foundation i jest autorem kilku książek na temat programowania w Pythonie.

Spis treści

1 Wprowadzenie do optymalizacji bayesowskiej.

CZĘŚĆ 1 MODELOWANIE ZA POMOCĄ PROCESÓW GAUSSOWSKICH.

2 Procesy gaussowskie jako rozkłady na funkcje.

3 Dostosowywanie procesu gaussowskiego za pomocą funkcji średniej i kowariancji.

CZĘŚĆ 2 PODEJMOWANIE DECYZJI ZA POMOCĄ OPTYMALIZACJI BAYESOWSKIEJ.

4 Ulepszanie najlepszych wyników za pomocą zasad opartych na ulepszeniach.

5 Eksploracja przestrzeni poszukiwań za pomocą polityk typu bandit.

6 Wykorzystanie teorii informacji w politykach opartych na entropii.

CZĘŚĆ 3 ROZSZERZENIE OPTYMALIZACJI BAYESOWSKIEJ NA WYSPECJALIZOWANE USTAWIENIA.

7 Maksymalizacja przepustowości za pomocą optymalizacji wsadowej.

8 Spełnianie dodatkowych ograniczeń za pomocą optymalizacji z ograniczeniami.

9 Równoważenie użyteczności i kosztów za pomocą optymalizacji wielowymiarowej.

10 Wyciąganie wniosków z porównań parami za pomocą optymalizacji preferencji.

11 Optymalizacja wielu celów jednocześnie.

CZĘŚĆ 4 SPECJALNE MODELE PROCESÓW GAUSSOWSKICH.

12 Skalowanie procesów gaussowskich do dużych zbiorów danych.

13 Łączenie procesów gaussowskich z sieciami neuronowymi.