Optimalizálás a tanuláshoz és az irányításhoz

Eredeti címe:

Optimization for Learning and Control

Könyv tartalma:

Átfogó forrás, amely mesterszintű bevezetést nyújt az optimalizálás elméletébe, valamint a tanulás és a vezérlés algoritmusaiba

Az Optimization for Learning and Control leírja, hogyan használják az optimalizálást ezeken a területeken, alapos bevezetést ad mind a felügyelet nélküli tanulás, mind a felügyelt tanulás, mind a megerősítéses tanulás témakörébe, hangsúlyt fektetve a nagyméretű tanulási és irányítási problémák optimalizálási módszereire.

Számos alkalmazási területet is tárgyal, köztük a jelfeldolgozást, a rendszerazonosítást, az optimális vezérlést és a gépi tanulást.

Ma a mélytanulás optimalizálási aspektusairól szóló, a mesterszintű hallgatók számára hozzáférhető anyag nagy része a felszíni szintű számítógépes programozásra összpontosít; az optimalizálási módszerekről és az e módszerek mögött meghúzódó kompromisszumokról szóló mélyebb ismereteket nem nyújtanak. E könyv célja, hogy ezt a szétszórt, jelenleg főként tudományos folyóiratokban megjelent publikációkban elérhető tudást koherens módon hozzáférhetővé tegye a mesterképzésben részt vevő hallgatók számára. A hangsúly az alapvető algoritmikus elveken és kompromisszumokon van.

Az Optimization for Learning and Control olyan mintatémákat tárgyal, mint például:

⬤ Optimalizáláselmélet és optimalizálási módszerek, az optimalizálási problémák olyan osztályaira kiterjedően, mint a legkisebb négyzetek problémái, kvadratikus problémák, kúpos optimalizálási problémák és rangoptimalizálás.

⬤ Elsőrendű módszerek, másodrendű módszerek, változó metrikus módszerek és módszerek nemlineáris legkisebb négyzetek problémáira.

⬤ Stochasztikus optimalizálási módszerek, kiterjesztett Lagrange-módszerek, belsőpontos módszerek és kúpos optimalizálási módszerek.

⬤ Dinamikus programozás optimális szabályozási problémák megoldására és annak általánosítása a megerősítéses tanulásra.

⬤ Hogyan használják az optimalizációs elméletet a statisztika és a tanulás elméletének és eszközeinek fejlesztésére, pl. a maximális valószínűség módszere, az elvárásmaximalizálás, a k-means klaszterezés és a támogató vektor gépek.

⬤ Hogyan használják a variációszámítást az optimális szabályozásban és az exponenciális eloszlások családjának levezetésére.

Az Optimization for Learning and Control ideális forrás a témában a tudósok és mérnökök számára, akik azt tanulják, hogy milyen optimalizálási módszerek hasznosak a tanulási és szabályozási problémákhoz; a szöveg a gépi tanulást különböző gyakorlati alkalmazásokban alkalmazó ipari szakemberek számára is vonzó lesz.