Hamiltonovské metody Monte Carlo ve strojovém učení

Recenze čtenářů

Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 2 hlasů.

Původní název:

Hamiltonian Monte Carlo Methods in Machine Learning

Obsah knihy:

Hamiltonovské metody Monte Carlo ve strojovém učení představují metody pro optimální ladění parametrů HMC, spolu se zavedením stínových a nekanonických metod HMC s vylepšeními a zrychlením. Nakonec se autoři zabývají kritickými otázkami snižování rozptylu pro odhady parametrů četných vzorkovačů založených na HMC.

Kniha nabízí ucelený úvod do Hamiltonovských metod Monte Carlo a poskytuje špičkový výklad současných patálií metod založených na HMC jak při ladění, tak při škálování a vzorkování složitých posteriorů reálného světa. Jedná se především o škálování inference (např. hluboké neuronové sítě), ladění parametrů vzorkování citlivých na výkon a vysokou autokorelaci vzorků.

V dalších kapitolách jsou uvedena četná řešení možných úskalí a představeny pokročilé metody HMC s aplikacemi v oblasti obnovitelných zdrojů energie, financí a klasifikace obrazu pro biomedicínské aplikace. Čtenáři se seznámí s teorií vzorkování HMC i s implementací algoritmů.