Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 3 Stimmen.
Bayesian Optimization in Action
Die Bayes'sche Optimierung hilft Ihnen, die beste Konfiguration für Ihre Machine-Learning-Modelle schnell und präzise zu ermitteln. Setzen Sie die fortschrittlichen Techniken mit diesem praktischen Leitfaden in die Praxis um.
In Bayesian Optimization in Action lernen Sie, wie:
⬤ Trainieren Sie Gauß'sche Prozesse auf spärlichen und großen Datensätzen.
⬤ Gaußsche Prozesse mit tiefen neuronalen Netzen zu kombinieren, um sie flexibel und aussagekräftig zu machen.
⬤ die erfolgreichsten Strategien für die Abstimmung der Hyperparameter zu finden.
⬤ Navigieren Sie durch einen Suchraum und identifizieren Sie leistungsstarke Regionen.
⬤ Bayes'sche Optimierung auf kostenbeschränkte, multikriterielle und Präferenz-Optimierung anwenden.
⬤ Implementierung der Bayes'schen Optimierung mit PyTorch, GPyTorch und BoTorch.
Bayesianische Optimierung in der Praxis zeigt Ihnen, wie Sie die Abstimmung von Hyperparametern, A/B-Tests und andere Aspekte des maschinellen Lernprozesses durch die Anwendung modernster Bayesianischer Techniken optimieren können. Mit einer klaren Sprache, Illustrationen und konkreten Beispielen beweist dieses Buch, dass Bayes'sche Optimierung nicht schwierig sein muss! Sie erhalten tiefe Einblicke in die Funktionsweise der Bayes'schen Optimierung und lernen, wie man sie mit modernsten Python-Bibliotheken implementiert. Die leicht wiederverwendbaren Code-Beispiele des Buches ermöglichen es Ihnen, diese direkt in Ihre eigenen Projekte einzubauen.
Vorworte von Luis Serrano und David Sweet.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
Beim maschinellen Lernen geht es bei der Optimierung darum, die besten Vorhersagen - kürzeste Lieferwege, perfekte Preispunkte, genaueste Empfehlungen - in möglichst wenigen Schritten zu erreichen. Die Bayes'sche Optimierung nutzt die Mathematik der Wahrscheinlichkeit, um ML-Funktionen, Algorithmen und Hyperparameter effizient abzustimmen, wenn herkömmliche Methoden zu langsam oder zu teuer sind.
Über das Buch
Bayesian Optimization in Action lehrt Sie, wie Sie effiziente maschinelle Lernprozesse mit einem Bayes'schen Ansatz erstellen können. Sie lernen praktische Techniken für das Training großer Datensätze, die Abstimmung von Hyperparametern und das Navigieren in komplexen Suchräumen kennen. Dieses interessante Buch enthält ansprechende Illustrationen und unterhaltsame Beispiele wie die Perfektionierung des Kaffeegeschmacks, die Vorhersage des Wetters und sogar die Entlarvung psychischer Behauptungen. Sie lernen, wie Sie sich in multikriteriellen Szenarien zurechtfinden, Entscheidungskosten berücksichtigen und paarweise Vergleiche anstellen.
Was ist drin?
⬤ Gaußsche Prozesse für spärliche und große Datensätze.
⬤ Strategien für die Abstimmung von Hyperparametern.
⬤ Identifizierung leistungsstarker Regionen.
⬤ Beispiele in PyTorch, GPyTorch und BoTorch.
(Über den Leser)
Für Praktiker des maschinellen Lernens, die sicher in Mathematik und Statistik sind.
Über den Autor
Quan Nguyen ist wissenschaftlicher Mitarbeiter an der Washington University in St. Louis. Er schreibt für die Python Software Foundation und hat mehrere Bücher über Python-Programmierung verfasst.
Inhaltsverzeichnis
1 Einführung in die Bayes'sche Optimierung.
TEIL 1 MODELLIERUNG MIT GAUSSSCHEN PROZESSEN.
2 Gaußsche Prozesse als Verteilungen über Funktionen.
3 Anpassen eines Gauß-Prozesses mit den Funktionen Mittelwert und Kovarianz.
TEIL 2 ENTSCHEIDUNGSFINDUNG MIT BAYESIANISCHER OPTIMIERUNG.
4 Verfeinerung des besten Ergebnisses mit verbesserungsbasierten Strategien.
5 Erkundung des Suchraums mit bandit-ähnlichen Strategien.
6 Nutzung der Informationstheorie mit entropiebasierten Verfahren.
TEIL 3 ERWEITERUNG DER BAYESIANISCHEN OPTIMIERUNG AUF SPEZIALISIERTE EINSTELLUNGEN.
7 Maximierung des Durchsatzes mit Batch-Optimierung.
8 Erfüllen zusätzlicher Bedingungen mit eingeschränkter Optimierung.
9 Abwägen von Nutzen und Kosten mit der Multifidelitätsoptimierung.
10 Lernen aus paarweisen Vergleichen mit Präferenzoptimierung.
11 Optimierung mehrerer Ziele zur gleichen Zeit.
TEIL 4 SPEZIELLE GAUSSSCHE PROZESSMODELLE.
12 Skalierung von Gaußschen Prozessen auf große Datensätze.
13 Kombination von Gaußschen Prozessen mit neuronalen Netzen.
| ISBN: | 9781633439078 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 424 |
Derzeit verfügbar, auf Lager.
