Байесовская оптимизация с примерами из библиотек Python

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

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

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.