Bewertung:
Das Buch bietet eine eingehende Untersuchung fortgeschrittener Experimentiertechniken und ist daher für Datenwissenschaftler und Ingenieure geeignet, die Systeme durch strenge Methoden wie A/B-Tests, mehrarmige Bandits und Bayes'sche Optimierung optimieren wollen.
Vorteile:Gut strukturiert für fortgeschrittene Themen, praktische Beispiele, leicht verständliche Sprache, sowohl für technische als auch für nicht-technische Leser geeignet, mäßige Verwendung von Formeln, Betonung auf rechnerischen und statistischen Methoden.
Nachteile:⬤ Nicht anfängerfreundlich
⬤ setzt Vorkenntnisse in Python und Statistik voraus
⬤ kann für Personen ohne fundierte Vorkenntnisse zusätzliche Anstrengungen erfordern, um die Konzepte vollständig zu erfassen.
(basierend auf 3 Leserbewertungen)
Experimentation for Engineers: From A/B Testing to Bayesian Optimization
Optimieren Sie die Leistung Ihrer Systeme mit praktischen Experimenten, die von Ingenieuren in den wettbewerbsfähigsten Branchen der Welt eingesetzt werden.
In Experimentation for Engineers: Von A/B-Tests bis zur Bayes'schen Optimierung lernen Sie, wie:
einen A/B-Test zu entwerfen, durchzuführen und zu analysieren.
die "Rückkopplungsschleifen" zu durchbrechen, die durch regelmäßiges Neutrainieren von ML-Modellen verursacht werden.
Erhöhung der Experimentierrate mit mehrarmigen Banditen.
Experimentelles Abstimmen mehrerer Parameter mit Bayes'scher Optimierung.
Klare Definition der für die Entscheidungsfindung verwendeten Geschäftsmetriken.
Erkennen und Vermeiden der häufigsten Fallstricke bei Experimenten.
Experimentieren für Ingenieure: Von A/B-Tests bis hin zur Bayes'schen Optimierung ist eine Toolbox mit Techniken zur Evaluierung neuer Funktionen und zur Feinabstimmung von Parametern. Sie beginnen mit einem tiefen Einblick in Methoden wie A/B-Tests und gehen dann zu fortgeschrittenen Techniken über, die zur Leistungsmessung in Branchen wie dem Finanzwesen und den sozialen Medien eingesetzt werden. Sie lernen, wie Sie die Änderungen, die Sie an Ihrem System vornehmen, bewerten und sicherstellen, dass Ihre Tests nicht den Umsatz oder andere Geschäftskennzahlen beeinträchtigen. Am Ende des Kurses werden Sie in der Lage sein, Experimente nahtlos in der Produktion einzusetzen und dabei die üblichen Fallstricke zu vermeiden.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie.
Funktioniert meine Software wirklich? Haben meine Änderungen die Dinge besser oder schlechter gemacht? Sollte ich Funktionen gegen Leistung eintauschen? Nur mit Experimenten lassen sich Fragen wie diese beantworten. Dieses einzigartige Buch enthüllt ausgefeilte Experimentierpraktiken, die in den wettbewerbsintensivsten Branchen der Welt entwickelt und erprobt wurden und Ihnen helfen werden, Systeme für maschinelles Lernen, Softwareanwendungen und quantitative Handelslösungen zu verbessern.
Über das Buch.
Experimentieren für Ingenieure: Von A/B-Tests bis zur Bayes'schen Optimierung bietet einen Werkzeugkasten mit Verfahren zur Optimierung von Softwaresystemen. Sie lernen zunächst die Grenzen von A/B-Tests kennen und gehen dann zu fortgeschrittenen Experimentierstrategien über, die die Vorteile von maschinellem Lernen und probabilistischen Methoden nutzen. Die Fähigkeiten, die Sie in diesem praktischen Leitfaden erlernen, werden Ihnen helfen, die Kosten für Experimente zu minimieren und schnell herauszufinden, welche Ansätze und Funktionen die besten Geschäftsergebnisse liefern.
Der Inhalt.
Entwerfen Sie einen A/B-Test, führen Sie ihn durch und analysieren Sie ihn.
Durchbrechen Sie die "Feedback-Schleifen", die durch regelmäßiges Neutrainieren von ML-Modellen verursacht werden.
Erhöhen Sie die Experimentierrate mit mehrarmigen Banditen.
Experimentelles Abstimmen mehrerer Parameter mit Bayes'scher Optimierung.
Über den Leser.
Für ML- und Software-Ingenieure, die den größten Nutzen aus ihren Systemen ziehen wollen. Beispiele in Python und NumPy.
Über den Autor.
David Sweet hat als quantitativer Händler bei GETCO und als Ingenieur für maschinelles Lernen bei Instagram gearbeitet. Er unterrichtet in den Masterprogrammen AI und Data Science an der Yeshiva University.
Inhaltsangabe.
1 Optimierung von Systemen durch Experimente.
2 A/B-Tests: Bewertung einer Änderung an Ihrem System.
3 Mehrarmige Banditen: Maximierung von Geschäftskennzahlen beim Experimentieren.
4 Response-Surface-Methodik: Optimierung von kontinuierlichen Parametern.
5 Kontextuelle Banditen: Gezielte Entscheidungen treffen.
6 Bayes'sche Optimierung: Automatisierung der experimentellen Optimierung.
7 Verwaltung von Geschäftsmetriken.
8 Praktische Überlegungen.
| ISBN: | 9781617298158 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 248 |
Derzeit verfügbar, auf Lager.
