Optimización bayesiana en acción

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 3 votos.

Título original:

Bayesian Optimization in Action

Contenido del libro:

La optimización bayesiana ayuda a determinar la mejor configuración para sus modelos de aprendizaje automático con rapidez y precisión. Ponga en práctica sus técnicas avanzadas con esta guía práctica.

En Optimización Bayesiana en Acción aprenderá a:

⬤ Entrenar procesos gaussianos en conjuntos de datos grandes y dispersos.

⬤ Combinar procesos gaussianos con redes neuronales profundas para hacerlos flexibles y expresivos.

⬤ Encontrar las estrategias más exitosas para el ajuste de hiperparámetros.

⬤ Navegar por un espacio de búsqueda e identificar regiones de alto rendimiento.

⬤ Aplicar la optimización bayesiana a la optimización con restricciones de costes, multiobjetivo y de preferencias.

⬤ Implementar la optimización bayesiana con PyTorch, GPyTorch y BoTorch.

Optimización bayesiana en acción le muestra cómo optimizar el ajuste de hiperparámetros, las pruebas A/B y otros aspectos del proceso de aprendizaje automático mediante la aplicación de técnicas bayesianas de vanguardia. Con un lenguaje claro, ilustraciones y ejemplos concretos, este libro demuestra que la optimización bayesiana no tiene por qué ser difícil. Conocerá en profundidad cómo funciona la optimización bayesiana y aprenderá a implementarla con las bibliotecas de Python más avanzadas. Los ejemplos de código del libro, fáciles de reutilizar, le permitirán empezar a trabajar directamente en sus propios proyectos.

Prólogos de Luis Serrano y David Sweet.

La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología

En el aprendizaje automático, la optimización consiste en lograr las mejores predicciones (rutas de entrega más cortas, precios perfectos, recomendaciones más precisas) en el menor número de pasos. La optimización bayesiana utiliza las matemáticas de la probabilidad para ajustar las funciones ML, los algoritmos y los hiperparámetros de manera eficiente cuando los métodos tradicionales son demasiado lentos o caros.

Acerca del libro

Optimización bayesiana en acción le enseña a crear procesos eficientes de aprendizaje automático utilizando un enfoque bayesiano. En él, explorará técnicas prácticas para entrenar grandes conjuntos de datos, ajustar hiperparámetros y navegar por espacios de búsqueda complejos. Este interesante libro incluye atractivas ilustraciones y divertidos ejemplos, como perfeccionar el dulzor del café, predecir el tiempo e incluso desacreditar afirmaciones psíquicas. Aprenderá a navegar por escenarios multiobjetivo, a tener en cuenta los costes de decisión y a abordar comparaciones por pares.

Contenido

⬤ Procesos gaussianos para conjuntos de datos grandes y dispersos.

⬤ Estrategias para el ajuste de hiperparámetros.

⬤ Identificación de regiones de alto rendimiento.

⬤ Ejemplos en PyTorch, GPyTorch y BoTorch.

Sobre el lector

Para profesionales del aprendizaje automático que tengan confianza en las matemáticas y la estadística.

Sobre el autor

Quan Nguyen es asistente de investigación en la Universidad de Washington en St. Louis. Escribe para la Python Software Foundation y es autor de varios libros sobre programación en Python.

Índice

1 Introducción a la optimización bayesiana.

PARTE 1 MODELADO CON PROCESOS GAUSSIANOS.

2 Procesos gaussianos como distribuciones sobre funciones.

3 Modelización de un proceso gaussiano con las funciones media y covarianza.

PARTE 2 TOMA DE DECISIONES CON OPTIMIZACIÓN BAYESIANA.

4 Refinando el mejor resultado con políticas basadas en mejoras.

5 Exploración del espacio de búsqueda con políticas de tipo bandido.

6 Aprovechamiento de la teoría de la información con políticas basadas en la entropía.

PARTE 3 AMPLIACIÓN DE LA OPTIMIZACIÓN BAYESIANA A ENTORNOS ESPECIALIZADOS.

7 Maximización del rendimiento con la optimización por lotes.

8 Satisfacción de restricciones adicionales con optimización restringida.

9 Equilibrio entre utilidad y coste con optimización multifidelidad.

10 Aprender de las comparaciones por pares con la optimización de preferencias.

11 Optimización de múltiples objetivos al mismo tiempo.

PARTE 4 MODELOS DE PROCESOS GAUSSIANOS ESPECIALES.

12 Escalado de procesos gaussianos a grandes conjuntos de datos.

13 Combinación de procesos gaussianos con redes neuronales.