Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.
Bayesian Optimization in Action
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.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)