Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Hamiltonian Monte Carlo Methods in Machine Learning
Hamiltonian Monte Carlo Methods in Machine Learning stellt Methoden zur optimalen Abstimmung von HMC-Parametern sowie eine Einführung von Shadow- und nicht-kanonischen HMC-Methoden mit Verbesserungen und Beschleunigungen vor.
Schließlich befassen sich die Autoren mit den kritischen Fragen der Varianzreduktion für Parameterschätzungen zahlreicher HMC-basierter Sampler. Das Buch bietet eine umfassende Einführung in Hamilton-Monte-Carlo-Methoden und stellt die aktuellen Probleme von HMC-basierten Methoden bei der Abstimmung, Skalierung und dem Sampling komplexer realer Posterioren dar.
Diese liegen vor allem in der Skalierung von Inferenzen (z. B. Deep Neural Networks), der Abstimmung von leistungssensitiven Sampling-Parametern und hoher Stichproben-Autokorrelation.
Andere Abschnitte bieten zahlreiche Lösungen für potenzielle Fallstricke und stellen fortgeschrittene HMC-Methoden mit Anwendungen in den Bereichen erneuerbare Energien, Finanzen und Bildklassifikation für biomedizinische Anwendungen vor. Der Leser wird sowohl mit der HMC-Sampling-Theorie als auch mit der Implementierung des Algorithmus vertraut gemacht.
| ISBN: | 9780443190353 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 220 |
Derzeit verfügbar, auf Lager.
