Optymalizacja wypukła dla uczenia maszynowego

Oryginalny tytuł:

Convex Optimization for Machine Learning

Zawartość książki:

Niniejsza książka stanowi wprowadzenie do optymalizacji wypukłej, jednego z najbardziej zaawansowanych i łatwych problemów optymalizacyjnych, który może być efektywnie rozwiązywany na komputerze. Celem książki jest pomoc w zrozumieniu, czym jest optymalizacja wypukła i jak można ją wykorzystać w coraz szerszym zakresie praktycznych kontekstów, ze szczególnym naciskiem na uczenie maszynowe.

Pierwsza część książki obejmuje podstawowe pojęcia zbiorów wypukłych, funkcji wypukłych i związanych z nimi podstawowych definicji, które służą zrozumieniu optymalizacji wypukłej i odpowiadających jej modeli. Druga część dotyczy bardzo przydatnej teorii, zwanej dualnością, która pozwala nam: (1) uzyskać wgląd w algorytmy; oraz (2) uzyskać przybliżone rozwiązanie niewypukłych problemów optymalizacyjnych, które często są trudne do rozwiązania. Ostatnia część skupia się na nowoczesnych zastosowaniach w uczeniu maszynowym i głębokim uczeniu.

Cechą charakterystyczną tej książki jest to, że w zwięzły sposób opowiada "historię" tego, jak optymalizacja wypukła odgrywa rolę, poprzez przykłady historyczne i trendy w zastosowaniach uczenia maszynowego. Kolejną kluczową cechą jest to, że zawiera implementację programistyczną różnych algorytmów uczenia maszynowego inspirowanych podstawami optymalizacji, wraz z krótkim samouczkiem na temat używanych narzędzi programistycznych.

Implementacja opiera się na Pythonie, CVXPY i TensorFlow. Książka ta nie ma tradycyjnej organizacji w stylu podręcznika, ale jest usprawniona poprzez serię notatek z wykładów, które są ściśle powiązane, skupione wokół spójnych tematów i koncepcji.

Służy ona jako podręcznik głównie na poziomie studiów licencjackich, ale nadaje się również na pierwszy rok studiów magisterskich. Czytelnikom przyda się dobra znajomość algebry liniowej, pewne obycie z prawdopodobieństwem i podstawowa znajomość języka Python.