Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.
A Bayes-optimalizálás segít a legjobb konfiguráció gyors és pontos meghatározásában a gépi tanulási modellek számára. Alkalmazza a fejlett technikákat a gyakorlatban ezzel a gyakorlati útmutatóval.
A Bayesi optimalizálás gyakorlatban című könyvben megtanulhatja, hogyan:
⬤ Tréningelje a Gauss-folyamatokat ritka és nagy adathalmazokon egyaránt.
⬤ Kombinálja a Gauss-folyamatokat mély neurális hálózatokkal, hogy rugalmas és kifejező legyen.
⬤ Megtalálja a hiperparaméterek hangolásának legsikeresebb stratégiáit.
⬤ Navigáljon a keresési térben és azonosítsa a nagy teljesítményű régiókat.
⬤ Alkalmazza a Bayes-optimalizálást költségkorlátozott, többcélú és preferenciaoptimalizálásra.
⬤ Bayesi optimalizálás megvalósítása PyTorch, GPyTorch és BoTorch segítségével.
A Bayesian Optimization in Action megmutatja, hogyan optimalizálhatja a hiperparaméterek hangolását, az A/B tesztelést és a gépi tanulási folyamat más aspektusait a legmodernebb Bayes-technikák alkalmazásával. Ez a könyv világos nyelvezet, illusztrációk és konkrét példák segítségével bizonyítja, hogy a bayesi optimalizálás nem kell, hogy nehéz legyen! Mélyreható betekintést nyerhet a Bayes-optimalizálás működésébe, és megtanulhatja, hogyan valósíthatja meg azt a legmodernebb Python-könyvtárak segítségével. A könyv könnyen újrafelhasználható kódmintái lehetővé teszik, hogy azonnal belevágjon a munkába, közvetlenül a saját projektjeibe illesztve azokat.
Luis Serrano és David Sweet előszavai.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról
A gépi tanulásban az optimalizálás a legjobb előrejelzések - a legrövidebb szállítási útvonalak, a tökéletes árak, a legpontosabb ajánlások - elérését jelenti a lehető legkevesebb lépésben. A bayesi optimalizálás a valószínűségi matematikát használja a ML függvények, algoritmusok és hiperparaméterek hatékony finomhangolására, amikor a hagyományos módszerek túl lassúak vagy drágák.
A könyvről
A Bayesian Optimization in Action megtanítja, hogyan hozhat létre hatékony gépi tanulási folyamatokat Bayes-i megközelítéssel. A könyvben gyakorlati technikákat fedezhet fel a nagy adathalmazok képzéséhez, a hiperparaméterek hangolásához és az összetett keresési terekben való navigáláshoz. Ez az érdekes könyv magával ragadó illusztrációkat és olyan szórakoztató példákat tartalmaz, mint a kávé édes ízének tökéletesítése, az időjárás előrejelzése, sőt, még a pszichikai állítások cáfolata is. Megtanulhatja, hogyan navigáljon a többcélú forgatókönyvekben, hogyan vegye figyelembe a döntési költségeket, és hogyan kezelje a páros összehasonlításokat.
Mi van benne
⬤ Gaussi folyamatok ritka és nagy adathalmazokhoz.
⬤ A hiperparaméterek hangolásának stratégiái.
⬤ A nagy teljesítményű régiók azonosítása.
⬤ Példák PyTorch, GPyTorch és BoTorch programokban.
Az olvasóról
A gépi tanulás gyakorlóinak, akik biztosak a matematikában és a statisztikában.
A szerzőről
Quan Nguyen a St. Louis-i Washington Egyetem kutatóasszisztense. A Python Software Foundation számára ír, és több Python programozással kapcsolatos könyv szerzője.
Tartalomjegyzék
1 Bevezetés a bayesi optimalizálásba.
1. RÉSZ MODELLEZÉS GAUSS-FOLYAMATOKKAL.
2 Gauss-folyamatok mint eloszlások függvények felett.
3 Egy Gauss-folyamat testreszabása az átlag és a kovariancia függvényekkel.
2. RÉSZ DÖNTÉSHOZATAL BAYESI OPTIMALIZÁLÁSSAL.
4 A legjobb eredmény finomítása javításon alapuló politikákkal.
5 A keresési tér felfedezése bandit típusú politikákkal.
6 Az információelmélet kihasználása entrópia-alapú szabályzatokkal.
3. RÉSZ A BAYESI OPTIMALIZÁLÁS KITERJESZTÉSE SPECIÁLIS BEÁLLÍTÁSOKRA.
7 Az áteresztőképesség maximalizálása kötegelt optimalizálással.
8 Extra korlátozások kielégítése korlátozott optimalizálással.
9 A hasznosság és a költségek egyensúlyban tartása többhűségű optimalizálással.
10 Tanulás páros összehasonlításokból preferenciaoptimalizálással.
11 Több cél egyidejű optimalizálása.
4. RÉSZ SPECIÁLIS GAUSS-FOLYAMAT MODELLEK.
12 Gauss-folyamatok skálázása nagy adathalmazokra.
13 Gauss-folyamatok kombinálása neurális hálózatokkal.
