کتاب Hamiltonian Monte Carlo Methods in Machine Learning (روش‌های مونت کارلو همیلتونی در یادگیری ماشینی) در 14 فصل به شرح روش‌های همیلتونی مورد استفاده در یادگیری ماشین خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Hamiltonian Monte Carlo Methods in Machine Learning را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Hamiltonian Monte Carlo Methods in Machine Learning:
روش‌های مونت کارلو همیلتونی در یادگیری ماشینی روش‌هایی را برای تنظیم بهینه پارامترهای HMC به همراه معرفی روش‌های سایه‌ای و غیر متعارف HMC با بهبود و افزایش سرعت معرفی می‌کنند. در نهایت، نویسندگان به مسائل مهم کاهش واریانس برای تخمین پارامترهای نمونه‌برداران متعدد مبتنی بر HMC می‌پردازند.
این کتاب مقدمه‌ای جامع بر روش‌های مونت کارلو همیلتونی ارائه می‌کند و یک توضیح پیشرفته از آسیب‌شناسی‌های کنونی روش‌های مبتنی بر HMC در هر دو تنظیم، مقیاس‌گذاری و نمونه‌برداری از آثار پیچیده دنیای واقعی ارائه می‌کند. این‌ها عمدتاً در مقیاس بندی استنتاج (به عنوان مثال، شبکه‌های عصبی عمیق)، تنظیم پارامترهای نمونه برداری حساس به عملکرد و همبستگی نمونه بالا هستند.
بخش‌های دیگر راه‌حل‌های متعددی را برای مشکلات احتمالی ارائه می‌کنند، روش‌های پیشرفته HMC را با کاربردهایی در انرژی‌های تجدیدپذیر، مالی و طبقه‌بندی تصویر برای کاربردهای زیست‌پزشکی ارائه می‌کنند. خوانندگان با هر دو نظریه نمونه برداری HMC و اجرای الگوریتم آشنا می‌شوند.
سرفصل‌های کتاب Hamiltonian Monte Carlo Methods in Machine Learning:
- Cover image
- Title page
- Copyright
- Dedication
- List of figures
- List of tables
- Authors
- Foreword
- Preface
- Nomenclature
- List of symbols
- 1: Introduction to Hamiltonian Monte Carlo
- 2: Sampling benchmarks and performance metrics
- 3: Stochastic volatility Metropolis-Hastings
- 4: Quantum-inspired magnetic Hamiltonian Monte Carlo
- 5: Generalised magnetic and shadow Hamiltonian Monte Carlo
- 6: Shadow Magnetic Hamiltonian Monte Carlo
- 7: Adaptive Shadow Hamiltonian Monte Carlo
- 8: Adaptive noncanonical Hamiltonian Monte Carlo
- 9: Antithetic Hamiltonian Monte Carlo techniques
- 10: Bayesian neural network inference in wind speed nowcasting
- 11: A Bayesian analysis of the efficacy of Covid-19 lockdown measures
- 12: Probabilistic inference of equity option prices under jump-diffusion processes
- 13: Bayesian inference of local government audit outcomes
- 14: Conclusions
- A: Separable shadow Hamiltonian
- B: ARD posterior variances
- C: ARD committee feature selection
- D: Summary of audit outcome literature survey
- References
- Index
جهت دانلود کتاب Hamiltonian Monte Carlo Methods in Machine Learning می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.