Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 5 olvasói szavazat alapján történt.
Optimization for Machine Learning
Az optimalizálás és a gépi tanulás közötti kölcsönhatás naprakész bemutatása, amely mindkét közösség hallgatói és kutatói számára hozzáférhető.
Az optimalizálás és a gépi tanulás közötti kölcsönhatás a modern számítástudomány egyik legfontosabb fejleménye. Az optimalizálási formulák és módszerek létfontosságúnak bizonyulnak az algoritmusok megtervezésében, amelyekkel hatalmas adatmennyiségekből nyerhető ki alapvető tudás. A gépi tanulás azonban nem egyszerűen az optimalizálási technológia fogyasztói, hanem egy gyorsan fejlődő terület, amely maga is új optimalizálási ötleteket generál. Ez a könyv az optimalizálás és a gépi tanulás kölcsönhatásának jelenlegi állását ragadja meg úgy, hogy mindkét terület kutatói számára hozzáférhető legyen.
Az optimalizációs megközelítések széleskörű alkalmazhatóságuk és vonzó elméleti tulajdonságaik miatt nagy népszerűségnek örvendenek a gépi tanulásban. A mai gépi tanulási modellek növekvő komplexitása, mérete és változatossága a meglévő feltételezések újraértékelését teszi szükségessé. Ez a könyv elindítja az újraértékelés folyamatát. Olyan bevált keretek újszerű kontextusokban történő újbóli felbukkanását írja le, mint az elsőrendű módszerek, a sztochasztikus közelítések, a konvex relaxációk, a belső-pontos módszerek és a proximális módszerek. Emellett figyelmet szentel az olyan újabb témáknak is, mint a regularizált optimalizálás, a robusztus optimalizálás, a gradiens- és szubgradiens módszerek, a felosztási technikák és a másodrendű módszerek. E technikák közül sokan más területekről merítenek ihletet, többek között az operációkutatásból, az elméleti informatikából és az optimalizálás részterületeiből. A könyv gazdagítja a gépi tanulás és e más területek, valamint a tágabb értelemben vett optimalizálási közösség között folyó kölcsönös termékenyítést.