Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 3 votes.
Titre original :
Bayesian Optimization in Action
Contenu du livre :
L'optimisation bayésienne permet de déterminer la meilleure configuration pour vos modèles d'apprentissage automatique avec rapidité et précision. Mettez en pratique ses techniques avancées grâce à ce guide pratique.
Dans L'optimisation bayésienne en action, vous apprendrez à : ⬤ entraîner des processus gaussiens sur des ensembles de données éparses et de grande taille.
⬤ Entraîner des processus gaussiens sur des ensembles de données éparses et de grande taille.
⬤ Combiner les processus gaussiens avec les réseaux neuronaux profonds pour les rendre flexibles et expressifs.
⬤ Trouver les stratégies les plus efficaces pour le réglage des hyperparamètres.
⬤ Naviguer dans un espace de recherche et identifier les régions les plus performantes.
⬤ Appliquer l'optimisation bayésienne à l'optimisation sous contrainte de coûts, multi-objectifs et de préférences.
⬤ Mettre en œuvre l'optimisation bayésienne avec PyTorch, GPyTorch et BoTorch.
L'optimisation bayésienne en action vous montre comment optimiser le réglage des hyperparamètres, les tests A/B et d'autres aspects du processus d'apprentissage automatique en appliquant des techniques bayésiennes de pointe. En utilisant un langage clair, des illustrations et des exemples concrets, ce livre prouve que l'optimisation bayésienne n'a pas besoin d'être difficile ! Vous découvrirez en profondeur le fonctionnement de l'optimisation bayésienne et apprendrez à la mettre en œuvre à l'aide de bibliothèques Python de pointe. Les exemples de code du livre, faciles à réutiliser, vous permettent d'être opérationnel en les intégrant directement dans vos propres projets.
Préface de Luis Serrano et David Sweet.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
Dans le domaine de l'apprentissage automatique, l'optimisation consiste à obtenir les meilleures prédictions - les itinéraires de livraison les plus courts, les prix les plus bas, les recommandations les plus précises - en un minimum d'étapes. L'optimisation bayésienne utilise les mathématiques des probabilités pour affiner les fonctions ML, les algorithmes et les hyperparamètres de manière efficace lorsque les méthodes traditionnelles sont trop lentes ou trop coûteuses.
A propos du livre
L'optimisation bayésienne en action vous apprend à créer des processus d'apprentissage automatique efficaces à l'aide d'une approche bayésienne. Vous y découvrirez des techniques pratiques pour l'entraînement de grands ensembles de données, l'ajustement des hyperparamètres et la navigation dans des espaces de recherche complexes. Ce livre intéressant comprend des illustrations attrayantes et des exemples amusants tels que la perfection du goût sucré du café, la prédiction de la météo et même le démenti des affirmations psychiques. Vous apprendrez à naviguer dans des scénarios multi-objectifs, à prendre en compte les coûts de décision et à effectuer des comparaisons par paire.
Contenu de l'ouvrage
⬤ Les processus gaussiens pour les ensembles de données éparses et de grande taille.
⬤ Stratégies d'ajustement des hyperparamètres.
⬤ Identifier les régions les plus performantes.
⬤ Exemples dans PyTorch, GPyTorch et BoTorch.
A propos du lecteur
Pour les praticiens de l'apprentissage automatique qui sont confiants dans les mathématiques et les statistiques.
A propos de l'auteur
Quan Nguyen est assistant de recherche à l'Université de Washington à Saint-Louis. Il écrit pour la Python Software Foundation et est l'auteur de plusieurs livres sur la programmation Python.
Table des matières
1 Introduction à l'optimisation bayésienne.
PARTIE 1 MODÉLISATION AVEC DES PROCESSUS GAUSSIENS.
2 Les processus gaussiens en tant que distributions sur des fonctions.
3 Personnalisation d'un processus gaussien avec les fonctions de moyenne et de covariance.
PARTIE 2 : PRENDRE DES DÉCISIONS AVEC L'OPTIMISATION BAYÉSIENNE.
4 Affiner le meilleur résultat avec des politiques basées sur l'amélioration.
5 Explorer l'espace de recherche avec des politiques de type "bandit".
6 Exploiter la théorie de l'information avec des politiques basées sur l'entropie.
PARTIE 3 : EXTENSION DE L'OPTIMISATION BAYÉSIENNE À DES CONTEXTES SPÉCIALISÉS.
7 Maximiser le débit avec l'optimisation par lots.
8 Satisfaire des contraintes supplémentaires avec l'optimisation sous contrainte.
9 Équilibrer l'utilité et le coût avec l'optimisation multifidélité.
10 Tirer des enseignements des comparaisons par paire avec l'optimisation des préférences.
11 Optimisation de plusieurs objectifs en même temps.
PARTIE 4 : MODÈLES DE PROCESSUS GAUSSIENS SPÉCIAUX.
12 Mise à l'échelle des processus gaussiens pour les grands ensembles de données.
13 Combinaison des processus gaussiens avec les réseaux neuronaux.
Autres informations sur le livre :
| ISBN : | 9781633439078 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2023 |
| Nombre de pages : | 424 |
Achat:
Actuellement disponible, en stock.
