Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 5 głosach.
Optimization for Machine Learning
Aktualny opis interakcji między optymalizacją a uczeniem maszynowym, dostępny dla studentów i badaczy w obu społecznościach.
Współdziałanie optymalizacji i uczenia maszynowego jest jednym z najważniejszych osiągnięć współczesnej nauki obliczeniowej. Sformułowania i metody optymalizacyjne okazują się niezbędne w projektowaniu algorytmów do wydobywania istotnej wiedzy z ogromnych ilości danych. Uczenie maszynowe nie jest jednak po prostu konsumentem technologii optymalizacji, ale szybko rozwijającą się dziedziną, która sama generuje nowe pomysły optymalizacyjne. Niniejsza książka przedstawia aktualny stan wiedzy na temat interakcji między optymalizacją a uczeniem maszynowym w sposób przystępny dla badaczy z obu dziedzin.
Podejścia optymalizacyjne cieszą się dużą popularnością w uczeniu maszynowym ze względu na ich szerokie zastosowanie i atrakcyjne właściwości teoretyczne. Rosnąca złożoność, rozmiar i różnorodność dzisiejszych modeli uczenia maszynowego wymaga ponownej oceny istniejących założeń. Niniejsza książka rozpoczyna proces ponownej oceny. Opisuje odrodzenie w nowych kontekstach ugruntowanych ram, takich jak metody pierwszego rzędu, aproksymacje stochastyczne, relaksacje wypukłe, metody punktów wewnętrznych i metody proksymalne. Poświęca również uwagę nowszym tematom, takim jak optymalizacja regularyzowana, optymalizacja odporna, metody gradientowe i subgradientowe, techniki dzielenia i metody drugiego rzędu. Wiele z tych technik czerpie inspirację z innych dziedzin, w tym badań operacyjnych, informatyki teoretycznej i poddziedzin optymalizacji. Książka ta wzbogaci trwającą wymianę między społecznością zajmującą się uczeniem maszynowym a tymi innymi dziedzinami, a także w ramach szerszej społeczności optymalizacyjnej.