Optimizarea Bayesiană în Acțiune

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 3 voturi.

Titlul original:

Bayesian Optimization in Action

Conținutul cărții:

Optimizarea bayesiană vă ajută să identificați cea mai bună configurație pentru modelele de învățare automată cu rapiditate și precizie. Puneți în practică tehnicile sale avansate cu acest ghid practic.

În Bayesian Optimization in Action veți învăța cum să:

⬤ Analizați procesele Gaussiene atât pe seturi de date rare, cât și pe seturi de date mari.

⬤ Combinați procesele gaussiene cu rețele neuronale profunde pentru a le face flexibile și expresive.

⬤ Găsiți cele mai de succes strategii pentru reglarea hiperparametrilor.

⬤ Navigați un spațiu de căutare și identificați regiunile cu performanțe ridicate.

⬤ Aplicați optimizarea bayesiană la optimizarea în funcție de costuri, multi-obiectiv și preferințe.

⬤ Implementați optimizarea bayesiană cu PyTorch, GPyTorch și BoTorch.

Optimizarea bayesiană în acțiune vă arată cum să optimizați reglarea hiperparametrilor, testele A/B și alte aspecte ale procesului de învățare automată prin aplicarea tehnicilor bayesiene de ultimă oră. Folosind un limbaj clar, ilustrații și exemple concrete, această carte demonstrează că optimizarea bayesiană nu trebuie să fie dificilă! Veți obține informații detaliate despre modul în care funcționează optimizarea bayesiană și veți învăța cum să o implementați cu ajutorul bibliotecilor Python de ultimă generație. Exemplele de cod ale cărții, ușor de reutilizat, vă permit să vă puneți pe treabă conectându-le direct în propriile proiecte.

Prefețe de Luis Serrano și David Sweet.

Cumpărarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie

În învățarea automată, optimizarea constă în obținerea celor mai bune predicții - cele mai scurte rute de livrare, puncte de preț perfecte, cele mai exacte recomandări - în cel mai mic număr de pași. Optimizarea bayesiană utilizează matematica probabilităților pentru a ajusta eficient funcțiile ML, algoritmii și hiperparametrii atunci când metodele tradiționale sunt prea lente sau costisitoare.

Despre carte

Bayesian Optimization in Action vă învață cum să creați procese eficiente de învățare automată utilizând o abordare bayesiană. În ea, veți explora tehnici practice pentru instruirea seturilor mari de date, reglarea hiperparametrilor și navigarea în spații de căutare complexe. Această carte interesantă include ilustrații captivante și exemple amuzante, cum ar fi perfecționarea dulceții cafelei, prezicerea vremii și chiar dezmințirea afirmațiilor psihice. Veți învăța cum să navigați în scenarii cu obiective multiple, să țineți cont de costurile deciziilor și să abordați comparațiile pe perechi.

Ce este în interior

⬤ Procese Gaussiene pentru seturi de date rare și mari.

⬤ Strategii pentru reglarea hiperparametrilor.

⬤ Identificarea regiunilor cu performanțe ridicate.

⬤ Exemple în PyTorch, GPyTorch și BoTorch.

Despre cititor

Pentru practicienii învățării automate care sunt încrezători în matematică și statistică.

Despre autor

Quan Nguyen este asistent de cercetare la Universitatea Washington din St. Louis. El scrie pentru Python Software Foundation și este autorul mai multor cărți despre programarea Python.

Tabla de conținut

1 Introducere în optimizarea bayesiană.

PARTEA 1 MODELAREA CU PROCESE GAUSSIENE.

2 Procesele gaussiene ca distribuții peste funcții.

3 Personalizarea unui proces gaussian cu funcții de medie și covarianță.

PARTEA 2 LUAREA DECIZIILOR CU AJUTORUL OPTIMIZĂRII BAYESIENE.

4 Rafinarea celui mai bun rezultat cu ajutorul politicilor bazate pe îmbunătățire.

5 Explorarea spațiului de căutare cu politici de tip bandit.

6 Valorificarea teoriei informației cu politici bazate pe entropie.

PARTEA 3 EXTINDEREA OPTIMIZĂRII BAYESIENE LA CONTEXTE SPECIALIZATE.

7 Maximizarea randamentului cu optimizarea pe loturi.

8 Satisfacerea constrângerilor suplimentare cu ajutorul optimizării constrânse.

9 Echilibrarea utilității și a costurilor cu optimizarea multifidelității.

10 Învățarea din compararea perechilor cu optimizarea preferințelor.

11 Optimizarea simultană a mai multor obiective.

PARTEA 4 MODELE SPECIALE DE PROCESE GAUSSIENE.

12 Scalarea proceselor gaussiene la seturi mari de date.

13 Combinarea proceselor gaussiene cu rețele neuronale.