Konvexe Optimierung für maschinelles Lernen

Konvexe Optimierung für maschinelles Lernen (Changho Suh)

Originaltitel:

Convex Optimization for Machine Learning

Inhalt des Buches:

Dieses Buch bietet eine Einführung in die konvexe Optimierung, eines der leistungsfähigsten und am besten lösbaren Optimierungsprobleme, die auf einem Computer effizient gelöst werden können. Ziel des Buches ist es, ein Gefühl dafür zu entwickeln, was konvexe Optimierung ist und wie sie in einer Vielzahl von praktischen Kontexten eingesetzt werden kann, wobei der Schwerpunkt auf dem maschinellen Lernen liegt.

Der erste Teil des Buches behandelt die Kernkonzepte konvexer Mengen, konvexer Funktionen und damit zusammenhängender grundlegender Definitionen, die dem Verständnis der konvexen Optimierung und ihrer entsprechenden Modelle dienen. Der zweite Teil befasst sich mit einer sehr nützlichen Theorie, der so genannten Dualität, die es uns ermöglicht, (1) algorithmische Einsichten zu gewinnen und (2) eine Näherungslösung für nicht-konvexe Optimierungsprobleme zu erhalten, die oft schwer zu lösen sind. Der letzte Teil konzentriert sich auf moderne Anwendungen des maschinellen Lernens und des Deep Learning.

Ein wesentliches Merkmal dieses Buches ist, dass es die "Geschichte" der konvexen Optimierung anhand historischer Beispiele und aktueller Anwendungen des maschinellen Lernens kurz und bündig erzählt. Ein weiteres Hauptmerkmal ist die programmtechnische Umsetzung einer Vielzahl von Algorithmen für maschinelles Lernen, die von den Grundlagen der Optimierung inspiriert sind, zusammen mit einer kurzen Einführung in die verwendeten Programmierwerkzeuge.

Die Implementierung basiert auf Python, CVXPY und TensorFlow. Dieses Buch ist nicht wie ein traditionelles Lehrbuch aufgebaut, sondern besteht aus einer Reihe von Vorlesungsskripten, die eng miteinander verbunden sind und sich um kohärente Themen und Konzepte drehen.

Es dient vor allem als Lehrbuch für einen Senior-Level-Undergraduate-Kurs, eignet sich aber auch für einen First-Year-Graduate-Kurs. Für den Leser ist es von Vorteil, wenn er über gute Kenntnisse in linearer Algebra und Wahrscheinlichkeitsrechnung verfügt und sich mit Python auskennt.

Weitere Daten des Buches:

ISBN:9781638280521
Autor:
Verlag:
Sprache:Englisch
Einband:Hardcover
Erscheinungsjahr:2022
Seitenzahl:350

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Konvexe Optimierung für maschinelles Lernen - Convex Optimization for Machine Learning
Dieses Buch bietet eine Einführung in die konvexe Optimierung, eines...
Konvexe Optimierung für maschinelles Lernen - Convex Optimization for Machine Learning
Informationstheorie für die Datenwissenschaft - Information Theory for Data Science
Die Informationstheorie befasst sich mit den mathematischen Gesetzen,...
Informationstheorie für die Datenwissenschaft - Information Theory for Data Science
Kommunikationsprinzipien für die Datenwissenschaft - Communication Principles for Data...
Ein wesentliches Merkmal dieses Buches ist es, eine...
Kommunikationsprinzipien für die Datenwissenschaft - Communication Principles for Data Science

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht: