Descripción
La optimización bayesiana ayuda a determinar la mejor configuración para sus modelos de aprendizaje automático con velocidad y precisión. Ponga en práctica sus técnicas avanzadas con esta guía práctica. En Optimización Bayesiana en Acción aprenderá a:
Optimización Bayesiana en Acción le muestra cómo optimizar el ajuste de hiperparámetros, las pruebas A/B y otros aspectos del proceso de aprendizaje automático aplicando técnicas bayesianas de vanguardia. Utilizando un lenguaje claro, ilustraciones y ejemplos concretos, ¡este libro demuestra que la optimización bayesiana no tiene por qué ser difícil! Obtendrá información detallada sobre cómo funciona la optimización bayesiana y aprenderá a implementarla con bibliotecas Python de vanguardia. Los ejemplos de código del libro, fáciles de reutilizar, le permiten ponerse en marcha inmediatamente conectándolos directamente a 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. Sobre 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, algoritmos e hiperparámetros de ML de manera eficiente cuando los métodos tradicionales son demasiado lentos o costosos. Sobre el libro Optimización Bayesiana en Acción le enseña cómo 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 ejemplos divertidos como perfeccionar la dulzura del café, predecir el clima e incluso desacreditar afirmaciones psíquicas. Aprenderá a navegar por escenarios multiobjetivo, tener en cuenta los costos de decisión y abordar las comparaciones por pares. Contenido
Sobre el lector
Para profesionales del aprendizaje automático con conocimientos sólidos en matemáticas y 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 ha sido autor de varios libros sobre programación Python. Tabla de Contenidos 1 Introducción a la optimización bayesiana
PARTE 1 MODELADO CON PROCESOS GAUSSIANOS
2 Procesos gaussianos como distribuciones sobre funciones
3 Personalización de un proceso gaussiano con las funciones media y de covarianza
PARTE 2 TOMA DE DECISIONES CON OPTIMIZACIÓN BAYESIANA
4 Refinamiento del mejor resultado con políticas basadas en la mejora
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 EXTENSIÓN DE LA OPTIMIZACIÓN BAYESIANA A ENTORNOS ESPECIALIZADOS
7 Maximización del rendimiento con optimización por lotes
8 Satisfacción de restricciones adicionales con optimización restringida
9 Equilibrio entre utilidad y coste con optimización multifidelidad
10 Aprendizaje a partir de comparaciones por pares con optimización de preferencias
11 Optimización de múltiples objetivos al mismo tiempo
PARTE 4 MODELOS ESPECIALES DE PROCESOS GAUSSIANOS
12 Escalado de procesos gaussianos a grandes conjuntos de datos
13 Combinación de procesos gaussianos con redes neuronales
Autor: Quan Nguyen
Editorial: Manning Publications
Publicado: 14/11/2023
Páginas: 424
Tipo de encuadernación: Tapa blanda
Peso: 1.55lbs
Tamaño: 9.10h x 7.30w x 0.90d
ISBN13: 9781633439078
ISBN10: 1633439070
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Ciencia de Datos | Redes Neuronales
- Entrenar procesos gaussianos en conjuntos de datos dispersos y grandes
- 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 costos, 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 aplicando técnicas bayesianas de vanguardia. Utilizando un lenguaje claro, ilustraciones y ejemplos concretos, ¡este libro demuestra que la optimización bayesiana no tiene por qué ser difícil! Obtendrá información detallada sobre cómo funciona la optimización bayesiana y aprenderá a implementarla con bibliotecas Python de vanguardia. Los ejemplos de código del libro, fáciles de reutilizar, le permiten ponerse en marcha inmediatamente conectándolos directamente a 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. Sobre 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, algoritmos e hiperparámetros de ML de manera eficiente cuando los métodos tradicionales son demasiado lentos o costosos. Sobre el libro Optimización Bayesiana en Acción le enseña cómo 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 ejemplos divertidos como perfeccionar la dulzura del café, predecir el clima e incluso desacreditar afirmaciones psíquicas. Aprenderá a navegar por escenarios multiobjetivo, tener en cuenta los costos de decisión y abordar las comparaciones por pares. Contenido
- Procesos gaussianos para conjuntos de datos dispersos y grandes
- Estrategias para el ajuste de hiperparámetros
- Identificar regiones de alto rendimiento
- Ejemplos en PyTorch, GPyTorch y BoTorch
Sobre el lector
Para profesionales del aprendizaje automático con conocimientos sólidos en matemáticas y 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 ha sido autor de varios libros sobre programación Python. Tabla de Contenidos 1 Introducción a la optimización bayesiana
PARTE 1 MODELADO CON PROCESOS GAUSSIANOS
2 Procesos gaussianos como distribuciones sobre funciones
3 Personalización de un proceso gaussiano con las funciones media y de covarianza
PARTE 2 TOMA DE DECISIONES CON OPTIMIZACIÓN BAYESIANA
4 Refinamiento del mejor resultado con políticas basadas en la mejora
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 EXTENSIÓN DE LA OPTIMIZACIÓN BAYESIANA A ENTORNOS ESPECIALIZADOS
7 Maximización del rendimiento con optimización por lotes
8 Satisfacción de restricciones adicionales con optimización restringida
9 Equilibrio entre utilidad y coste con optimización multifidelidad
10 Aprendizaje a partir de comparaciones por pares con optimización de preferencias
11 Optimización de múltiples objetivos al mismo tiempo
PARTE 4 MODELOS ESPECIALES DE PROCESOS GAUSSIANOS
12 Escalado de procesos gaussianos a grandes conjuntos de datos
13 Combinación de procesos gaussianos con redes neuronales
Autor: Quan Nguyen
Editorial: Manning Publications
Publicado: 14/11/2023
Páginas: 424
Tipo de encuadernación: Tapa blanda
Peso: 1.55lbs
Tamaño: 9.10h x 7.30w x 0.90d
ISBN13: 9781633439078
ISBN10: 1633439070
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Ciencia de Datos | Redes Neuronales