Kísérletezés mérnököknek: Az A/B teszteléstől a Bayes-optimalizálásig

Olvasói vélemények

A könyv a fejlett kísérletezési technikák mélyreható feltárását mutatja be, így alkalmas az adattudósok és mérnökök számára, akik a rendszereket olyan szigorú módszerekkel kívánják optimalizálni, mint az A / B tesztelés, a többkarú banditák és a Bayes-optimalizálás.

Jól strukturált a haladó témákhoz, gyakorlati példákat tartalmaz, könnyen érthető nyelvezet, műszaki és nem műszaki olvasók számára egyaránt alkalmazható, mérsékelt képlethasználatot tartalmaz, hangsúlyt fektet a számítási és statisztikai módszerekre.

⬤ Nem kezdőbarát
⬤ feltételez némi előzetes Python- és statisztikai ismeretet
⬤ erős háttérrel nem rendelkezők számára további erőfeszítést igényelhet a fogalmak teljes megértése.

(3 olvasói vélemény alapján)

Eredeti címe:

Experimentation for Engineers: From A/B Testing to Bayesian Optimization

Könyv tartalma:

Optimalizálja rendszerei teljesítményét a világ legversenyképesebb iparágaiban dolgozó mérnökök által használt gyakorlati kísérletekkel.

A Kísérletezés mérnököknek: Az A/B teszteléstől a Bayes-optimalizálásig megtanulhatja, hogyan:

Tervezzen, futtasson és elemezzen A/B tesztet.

Törje meg az ML-modellek időszakos újratanítása által okozott "visszacsatolási hurkokat".

Növelje a kísérletezési arányt többkarú banditákkal.

Hangoljon több paramétert kísérletileg Bayes-optimalizálással.

Határozza meg egyértelműen a döntéshozatalhoz használt üzleti mérőszámokat.

A kísérletezés gyakori buktatóinak azonosítása és elkerülése.

Kísérletezés mérnököknek: Az A/B teszteléstől a Bayes-optimalizálásig az új funkciók értékelésére és a paraméterek finomhangolására szolgáló technikák eszköztára. Az olyan módszerek mélyreható megismerésével kezd, mint az A/B tesztelés, majd továbblép az olyan iparágakban, mint a pénzügy és a közösségi média, a teljesítmény mérésére használt fejlett technikákhoz. Megtanulja, hogyan értékelje a rendszerében végrehajtott változtatásokat, és hogyan biztosítsa, hogy a tesztelés ne ássa alá a bevételt vagy más üzleti mérőszámokat. Mire végez, képes lesz arra, hogy zökkenőmentesen telepítse a kísérleteket a termelésben, miközben elkerüli a gyakori buktatókat.

A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.

A technológiáról.

Tényleg működik a szoftverem? A változtatásaim jobbá vagy rosszabbá tették a dolgokat? El kell-e cserélnem a funkciókat a teljesítményre? Az ilyen kérdésekre csak kísérletezéssel lehet választ kapni. Ez az egyedülálló könyv a világ legversenyképesebb iparágaiban kifejlesztett és bevált kifinomult kísérletezési gyakorlatokat tárja elénk, amelyek segítenek a gépi tanulási rendszerek, szoftveralkalmazások és kvantitatív kereskedési megoldások fejlesztésében.

A könyvről.

Kísérletezés mérnököknek: Az A/B teszteléstől a Bayes-optimalizálásig a szoftverrendszerek optimalizálására szolgáló eljárások eszköztárát nyújtja. Az A/B tesztelés korlátainak megismerésével kezd, majd továbblép a fejlett kísérletezési stratégiákhoz, amelyek kihasználják a gépi tanulás és a valószínűségi módszerek előnyeit. Az ebben a gyakorlati útmutatóban elsajátított készségek segítenek minimalizálni a kísérletezés költségeit, és gyorsan feltárják, hogy mely megközelítések és funkciók hozzák a legjobb üzleti eredményeket.

Ami benne van.

Tervezzen, futtasson és elemezzen A/B tesztet.

Törje meg az ML-modellek időszakos újratanítása által okozott "visszacsatolási hurkokat".

Növelje a kísérletezési arányt többkarú banditákkal.

Több paraméter kísérleti hangolása Bayes-optimalizálással.

Az olvasóról.

ML- és szoftvermérnököknek, akik a lehető legtöbb értéket szeretnék kihozni a rendszereikből. Példák Python és NumPy nyelven.

A szerzőről.

David Sweet kvantitatív kereskedőként dolgozott a GETCO-nál és gépi tanulási mérnökként az Instagramnál. A Yeshiva University mesterképzésén mesterképzésen tanít mesterképzésen mesterséges intelligenciát és adattudományt.

Tartalomjegyzék.

1 Rendszerek optimalizálása kísérletezéssel.

2 A/B tesztelés: A rendszer módosításának értékelése.

3 Többkarú banditák: Az üzleti mérőszámok maximalizálása kísérletezés közben.

4 Válaszfelület-módszertan: Folyamatos paraméterek optimalizálása.

5 Kontextuális banditák: Célzott döntések meghozatala.

6 Bayesi optimalizálás: Kísérleti optimalizálás automatizálása.

7 Üzleti mérőszámok kezelése.

8 Gyakorlati megfontolások.