Ottimizzazione bayesiana in azione

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 3 voti.

Titolo originale:

Bayesian Optimization in Action

Contenuto del libro:

L'ottimizzazione bayesiana aiuta a individuare la configurazione migliore per i modelli di apprendimento automatico con velocità e precisione. Mettete in pratica le sue tecniche avanzate con questa guida pratica.

In Ottimizzazione bayesiana in azione imparerete a:

⬤ Addestrare processi gaussiani su insiemi di dati sia scarsi che grandi.

⬤ Combinare i processi gaussiani con le reti neurali profonde per renderle flessibili ed espressive.

⬤ Trovare le strategie più efficaci per la regolazione degli iperparametri.

⬤ Navigare in uno spazio di ricerca e identificare le regioni più performanti.

⬤ Applicare l'ottimizzazione bayesiana all'ottimizzazione vincolata ai costi, multi-obiettivo e alle preferenze.

⬤ Implementare l'ottimizzazione bayesiana con PyTorch, GPyTorch e BoTorch.

Bayesian Optimization in Action mostra come ottimizzare la regolazione degli iperparametri, i test A/B e altri aspetti del processo di apprendimento automatico applicando tecniche bayesiane all'avanguardia. Utilizzando un linguaggio chiaro, illustrazioni ed esempi concreti, questo libro dimostra che l'ottimizzazione bayesiana non deve essere difficile! Si approfondisce il funzionamento dell'ottimizzazione bayesiana e si impara a implementarla con librerie Python all'avanguardia. Gli esempi di codice del libro, facili da riutilizzare, vi permetteranno di iniziare subito a lavorare, inserendoli direttamente nei vostri progetti.

Prefazione di Luis Serrano e David Sweet.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia

Nell'apprendimento automatico, l'ottimizzazione consiste nell'ottenere le migliori previsioni - percorsi di consegna più brevi, punti di prezzo perfetti, raccomandazioni più accurate - nel minor numero di passaggi. L'ottimizzazione bayesiana utilizza la matematica della probabilità per mettere a punto in modo efficiente le funzioni di ML, gli algoritmi e gli iperparametri quando i metodi tradizionali sono troppo lenti o costosi.

Informazioni sul libro

Bayesian Optimization in Action vi insegna a creare processi di apprendimento automatico efficienti utilizzando un approccio bayesiano. In questo libro si esplorano tecniche pratiche per l'addestramento di grandi insiemi di dati, la regolazione degli iperparametri e la navigazione in spazi di ricerca complessi. Questo interessante libro include illustrazioni accattivanti ed esempi divertenti, come il perfezionamento della dolcezza del caffè, la previsione del tempo e persino l'eliminazione di affermazioni psichiche. Imparerete a navigare in scenari multi-obiettivo, a tenere conto dei costi decisionali e ad affrontare i confronti a coppie.

Che cosa c'è dentro?

⬤ Processi gaussiani per insiemi di dati scarsi e di grandi dimensioni.

⬤ Strategie per la regolazione degli iperparametri.

⬤ Identificare le regioni ad alto rendimento.

⬤ Esempi in PyTorch, GPyTorch e BoTorch.

Informazioni sul lettore

Per i professionisti dell'apprendimento automatico che hanno dimestichezza con la matematica e la statistica.

Informazioni sull'autore

Quan Nguyen è assistente di ricerca presso la Washington University di St. Louis. Scrive per la Python Software Foundation ed è autore di diversi libri sulla programmazione Python.

Indice dei contenuti

1 Introduzione all'ottimizzazione bayesiana.

PARTE 1 MODELLAZIONE CON PROCESSI GAUSSIANI.

2 Processi gaussiani come distribuzioni di funzioni.

3 Personalizzazione di un processo gaussiano con le funzioni di media e covarianza.

PARTE 2 PRENDERE DECISIONI CON L'OTTIMIZZAZIONE BAYESIANA.

4 Affinare il risultato migliore con politiche basate sul miglioramento.

5 Esplorare lo spazio di ricerca con politiche di tipo bandito.

6 Sfruttare la teoria dell'informazione con politiche basate sull'entropia.

PARTE 3 ESTENSIONE DELL'OTTIMIZZAZIONE BAYESIANA A CONTESTI SPECIALIZZATI.

7 Massimizzazione del rendimento con l'ottimizzazione per lotti.

8 Soddisfare vincoli extra con l'ottimizzazione vincolata.

9 Bilanciare utilità e costi con l'ottimizzazione multifideltà.

10 Apprendere dai confronti a coppie con l'ottimizzazione delle preferenze.

11 Ottimizzazione di più obiettivi contemporaneamente.

PARTE 4 MODELLI SPECIALI DI PROCESSI GAUSSIANI.

12 Scalare i processi gaussiani su grandi insiemi di dati.

13 Combinazione di processi gaussiani con reti neurali.