Описание
Книга рассказывает об оптимизации моделей машинного обучения на основе байесовского метода и теории вероятностей. Примеры составлены на языке Python с использованием библиотек PyTorch, GPyTorch и BoTorch. Описаны приёмы настройки гиперпараметров, гауссовское распределение, использование политик машинного обучения, в частности на основе задачи о многоруких бандитах, повышение производительности вычислений, многовариантная оптимизация с учётом полезности и затрат, а также применение байесовского метода в специализированных сценариях.
Для специалистов по машинному обучению и математическим алгоритмам
Книга предназначена для практикующих специалистов по машинному обучению, уверенно ориентирующихся в математических методах и статистике.
О технологии:
Оптимизация в области машинного обучения заключается в достижении максимально качественных прогнозов за минимально возможное количество шагов. Так формируются кратчайшие маршруты доставки, идеальные цены, персонализированные рекомендации и т.д. В основе оптимизации по байесовскому методу лежит математический аппарат теории вероятностей. В рамках такой оптимизации вырабатываются способы настройки функций, алгоритмов и гиперпараметров машинного обучения.
О книге:
В книге рассказано, как выстраивать эффективные процессы машинного обучения с использованием байесовского подхода. Показано, как обучать модели на больших наборах данных, настраивать гиперпараметры и использовать метод парных сравнений.
Что внутри:
- Гауссовские процессы для малых и больших наборов данных
- Стратегии настройки гиперпараметров в моделях машинного обучения
- Определение высокоэффективных регионов
- Решение задач с использованием библиотек PyTorch, GPyTorch и BoTorch
Эта книга обучает байесовской оптимизации, начиная с азов. В ней подробно описаны инструменты и методы байесовского подхода, а также приведены подробные примеры кода, чтобы как можно быстрее перейти к решению реальных задач.Дэвид Свит, из предисловия к книге
Книга сочетает описание современных вычислительных систем с уникальными иллюстрациями и инфографикой. Прочитав её, вы станете уверенно применять байесовскую оптимизацию при решении реальных задач!
Рэвин Кумар, Google
Кван Нгуен — Python-программист и энтузиаст машинного обучения. Он интересуется задачами о принятии решений, связанных с неопределенностью. Кван является автором нескольких книг по программированию на Python и научным вычислениям. В настоящее время он работает над степенью доктора компьютерных наук в Вашингтонском университете в Сент-Луисе, где занимается исследованием байесовских методов машинного обучения.
Отзывы
Отзывов пока нет.