Métodos Hamiltonianos Monte Carlo en Aprendizaje Automático

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Hamiltonian Monte Carlo Methods in Machine Learning

Contenido del libro:

Hamiltonian Monte Carlo Methods in Machine Learning presenta métodos para el ajuste óptimo de los parámetros HMC, junto con una introducción de los métodos Shadow y Non-canonical HMC con mejoras y aumento de velocidad. Por último, los autores abordan las cuestiones críticas de la reducción de la varianza para las estimaciones de parámetros de numerosos muestreadores basados en HMC.

El libro ofrece una introducción exhaustiva a los métodos Hamiltonian Monte Carlo y proporciona una exposición de vanguardia de las patologías actuales de los métodos basados en HMC tanto en el ajuste, como en el escalado y el muestreo de posteriors complejos del mundo real. Se trata principalmente del escalado de la inferencia (por ejemplo, redes neuronales profundas), el ajuste de parámetros de muestreo sensibles al rendimiento y la alta autocorrelación de las muestras.

Otras secciones ofrecen numerosas soluciones a los posibles escollos, presentando métodos avanzados de HMC con aplicaciones en energías renovables, finanzas y clasificación de imágenes para aplicaciones biomédicas. Los lectores se familiarizarán tanto con la teoría del muestreo HMC como con la implementación de algoritmos.