Sperimentazione per ingegneri: Dai test A/B all'ottimizzazione bayesiana

Recensioni dei lettori

Il libro presenta un'esplorazione approfondita delle tecniche avanzate di sperimentazione, rendendolo adatto a data scientist e ingegneri che cercano di ottimizzare i sistemi attraverso metodi rigorosi come A/B testing, multi-armed bandits e ottimizzazione bayesiana.

Ben strutturato per argomenti avanzati, fornisce esempi pratici, linguaggio di facile comprensione, applicabile a lettori tecnici e non, include un uso moderato di formule, enfatizza i metodi computazionali e statistici.

⬤ Non adatto ai principianti
⬤ presuppone una certa conoscenza preliminare di Python e della statistica
⬤ può richiedere uno sforzo aggiuntivo per afferrare pienamente i concetti per coloro che non hanno un solido background.

(basato su 3 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Ottimizzate le prestazioni dei vostri sistemi con esperimenti pratici utilizzati dagli ingegneri delle industrie più competitive del mondo.

In Sperimentazione per ingegneri: From A/B testing to Bayesian optimization imparerete a:

Progettare, eseguire e analizzare un test A/B.

Interrompere i "loop di feedback" causati dalla riqualificazione periodica dei modelli ML.

Aumentare la velocità di sperimentazione con i banditi a più braccia.

Regolare più parametri in modo sperimentale con l'ottimizzazione bayesiana.

Definire chiaramente le metriche aziendali utilizzate per il processo decisionale.

Identificare ed evitare le comuni insidie della sperimentazione.

Sperimentazione per ingegneri: From A/B testing to Bayesian optimization è un insieme di tecniche per la valutazione di nuove funzionalità e la messa a punto dei parametri. Inizierete con un'immersione profonda in metodi come l'A/B testing, per poi passare a tecniche avanzate utilizzate per misurare le prestazioni in settori come la finanza e i social media. Imparerete a valutare le modifiche apportate al vostro sistema e a garantire che i test non compromettano le entrate o altre metriche aziendali. Al termine, sarete in grado di distribuire senza problemi gli esperimenti in produzione, evitando le insidie più comuni.

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

Informazioni sulla tecnologia.

Il mio software funziona davvero? Le mie modifiche hanno migliorato o peggiorato le cose? Devo scambiare le caratteristiche con le prestazioni? La sperimentazione è l'unico modo per rispondere a domande come queste. Questo libro unico nel suo genere rivela sofisticate pratiche di sperimentazione sviluppate e collaudate nei settori più competitivi del mondo, che vi aiuteranno a migliorare i sistemi di apprendimento automatico, le applicazioni software e le soluzioni di trading quantitativo.

Informazioni sul libro.

Sperimentazione per ingegneri: From A/B testing to Bayesian optimization offre una serie di processi per ottimizzare i sistemi software. Inizierete imparando i limiti dell'A/B testing, per poi passare a strategie di sperimentazione avanzate che sfruttano l'apprendimento automatico e i metodi probabilistici. Le competenze acquisite in questa guida pratica vi aiuteranno a ridurre al minimo i costi della sperimentazione e a scoprire rapidamente quali approcci e funzionalità offrono i migliori risultati di business.

Cosa contiene.

Progettare, eseguire e analizzare un test A/B.

Interrompere i "loop di feedback" causati dalla riqualificazione periodica dei modelli ML.

Aumentare il tasso di sperimentazione con i banditi a più braccia.

Sintonizzare più parametri sperimentalmente con l'ottimizzazione bayesiana.

Informazioni sul lettore.

Per gli ingegneri del ML e del software che vogliono estrarre il massimo valore dai loro sistemi. Esempi in Python e NumPy.

Informazioni sull'autore.

David Sweet ha lavorato come trader quantitativo presso GETCO e come ingegnere di apprendimento automatico presso Instagram. Insegna nei programmi di master in AI e Data Science della Yeshiva University.

Indice dei contenuti.

1 Ottimizzare i sistemi attraverso gli esperimenti.

2 Test A/B: Valutare una modifica al sistema.

3 Banditi a più braccia: Massimizzare le metriche di business mentre si sperimenta.

4 Metodologia della superficie di risposta: Ottimizzare i parametri continui.

5 Banditi contestuali: Prendere decisioni mirate.

6 Ottimizzazione bayesiana: Automatizzare l'ottimizzazione sperimentale.

7 Gestione delle metriche aziendali.

8 Considerazioni pratiche.