Optymalizacja dla uczenia się i kontroli

Oryginalny tytuł:

Optimization for Learning and Control

Zawartość książki:

Kompleksowe źródło zapewniające wprowadzenie na poziomie magisterskim do teorii optymalizacji i algorytmów uczenia się i kontroli.

Optimization for Learning and Control opisuje, w jaki sposób optymalizacja jest wykorzystywana w tych dziedzinach, dając dokładne wprowadzenie zarówno do uczenia się bez nadzoru, uczenia się nadzorowanego, jak i uczenia się ze wzmocnieniem, z naciskiem na metody optymalizacji dla problemów uczenia się i kontroli na dużą skalę.

Omówiono także kilka obszarów zastosowań, w tym przetwarzanie sygnałów, identyfikację systemów, optymalne sterowanie i uczenie maszynowe.

Obecnie większość materiałów na temat optymalizacji aspektów głębokiego uczenia się, które są dostępne dla studentów na poziomie magisterskim, koncentruje się na programowaniu komputerowym na poziomie powierzchni; głębsza wiedza na temat metod optymalizacji i kompromisów, które stoją za tymi metodami, nie jest dostarczana. Celem tej książki jest udostępnienie tej rozproszonej wiedzy, obecnie dostępnej głównie w publikacjach w czasopismach akademickich, studentom studiów magisterskich w spójny sposób. Skupiono się na podstawowych zasadach algorytmicznych i kompromisach.

Optimization for Learning and Control obejmuje przykładowe tematy, takie jak:

⬤ Teoria optymalizacji i metody optymalizacji, obejmujące klasy problemów optymalizacji, takie jak problemy najmniejszych kwadratów, problemy kwadratowe, problemy optymalizacji stożkowej i optymalizacji rangowej.

⬤ Metody pierwszego rzędu, metody drugiego rzędu, metody zmiennej metryki i metody dla nieliniowych problemów najmniejszych kwadratów.

⬤ Metody optymalizacji stochastycznej, rozszerzone metody Lagrangiana, metody punktów wewnętrznych i metody optymalizacji stożkowej.

⬤ Programowanie dynamiczne do rozwiązywania problemów optymalnego sterowania i jego uogólnienie na uczenie ze wzmocnieniem.

⬤ Jak teoria optymalizacji jest wykorzystywana do rozwijania teorii i narzędzi statystyki i uczenia się, np. metody maksymalnego prawdopodobieństwa, maksymalizacji oczekiwań, grupowania k-średnich i maszyn wektorów nośnych.

⬤ W jaki sposób rachunek wariacyjny jest wykorzystywany w optymalnym sterowaniu i do wyprowadzania rodziny rozkładów wykładniczych.

Optimization for Learning and Control to idealne źródło wiedzy na ten temat dla naukowców i inżynierów uczących się o tym, które metody optymalizacji są przydatne w przypadku problemów związanych z uczeniem się i kontrolą; tekst spodoba się również profesjonalistom z branży wykorzystującym uczenie maszynowe do różnych praktycznych zastosowań.