Optimalizace pro strojové učení

Recenze čtenářů

Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 5 hlasů.

Původní název:

Optimization for Machine Learning

Obsah knihy:

Aktuální popis vzájemného působení optimalizace a strojového učení, přístupný studentům a výzkumným pracovníkům v obou komunitách.

Vzájemné působení optimalizace a strojového učení je jedním z nejdůležitějších vývojových trendů v moderní počítačové vědě. Optimalizační formulace a metody se ukazují jako zásadní při navrhování algoritmů pro získávání zásadních znalostí z obrovských objemů dat. Strojové učení však není pouhým konzumentem optimalizačních technologií, ale rychle se rozvíjejícím oborem, který sám generuje nové optimalizační myšlenky. Tato kniha zachycuje současný stav interakce mezi optimalizací a strojovým učením způsobem, který je přístupný výzkumníkům v obou oblastech.

Optimalizační přístupy se ve strojovém učení těší velké oblibě díky své široké použitelnosti a atraktivním teoretickým vlastnostem. Rostoucí složitost, velikost a rozmanitost dnešních modelů strojového učení vyžaduje přehodnocení stávajících předpokladů. Tato kniha proces přehodnocení zahajuje. Popisuje znovuzrození v nových souvislostech zavedených rámců, jako jsou metody prvního řádu, stochastické aproximace, konvexní relaxace, metody vnitřních bodů a proximální metody. Pozornost věnuje také novějším tématům, jako je regularizovaná optimalizace, robustní optimalizace, gradientní a subgradientní metody, techniky rozdělení a metody druhého řádu. Mnohé z těchto technik čerpají inspiraci z jiných oborů, včetně operačního výzkumu, teoretické informatiky a podoborů optimalizace. Kniha obohatí probíhající vzájemné obohacování mezi komunitou strojového učení a těmito dalšími obory i v rámci širší optimalizační komunity.