کتاب Bayesian Optimization (بهینه سازی بیزی: تئوری و عمل با استفاده از پایتون) شرح مفصلی بر تئوری بیز ارائه داده و مفاهیم آن را با استفاده از زبان برنامه‌نویسی پایتون پیاده‌سازی می‌کند.
در ادامه مقدمه‌ای از کتاب Bayesian Optimization را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Bayesian Optimization:
بهینه‌سازی بیزی یک چارچوب یکپارچه ارائه می‌کند که مشکل تصمیم‌گیری متوالی را در شرایط عدم قطعیت حل می‌کند. این شامل دو جزء کلیدی است: یک مدل جایگزین که تابع جعبه سیاه ناشناخته را با تخمین‌های عدم قطعیت تقریب می‌کند و یک تابع اکتساب که جستجوی متوالی را هدایت می‌کند.
این کتاب هر دو مؤلفه را بررسی می‌کند، که هم مقدمه نظری و هم پیاده‌سازی عملی در پایتون را پوشش می‌دهد و بر روی کتابخانه‌های محبوبی مانند GPyTorch و BoTorch ساخته شده است. علاوه بر این، این کتاب همچنین مطالعات موردی در مورد استفاده از بهینه‌سازی بیزی برای جستجوی بهینه جهانی یک تابع شبیه‌سازی شده یا مکان‌یابی بهترین فراپارامترها (به عنوان مثال، نرخ یادگیری) هنگام آموزش شبکه‌های عصبی عمیق ارائه می‌کند. این کتاب خوانندگانی را با درک حداقلی از توسعه مدل و یادگیری ماشین فرض می‌کند و مخاطبان زیر را هدف قرار می‌دهد:
- دانش‌آموزان در زمینه علم داده، یادگیری ماشین یا زمینه‌های مرتبط با بهینه سازی
- شاغلانی مانند دانشمندان داده، چه در اوایل و چه در اواسط حرفه خود، که مدل‌های یادگیری ماشینی را با فراپارامترهای با عملکرد خوب می‌سازند.
- علاقمندان به بهینه سازی بیزی به عنوان یک تکنیک بهینه سازی جهانی برای جستجوی راه حل بهینه در سریع ترین زمان ممکن
سرفصل‌های کتاب Bayesian Optimization:
- Cover
- Front Matter
- 1. Bayesian Optimization Overview
- 2. Gaussian Processes
- 3. Bayesian Decision Theory and Expected Improvement
- 4. Gaussian Process Regression with GPyTorch
- 5. Monte Carlo Acquisition Function with Sobol Sequences and Random Restart
- 6. Knowledge Gradient: Nested Optimization vs. One-Shot Learning
- 7. Case Study: Tuning CNN Learning Rate with BoTorch
- Back Matter
جهت دانلود کتاب Bayesian Optimization می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.