Bayesian Optimization: Theory and Practice Using Python
Эта книга представляет собой всеобъемлющее руководство по байесовской оптимизации — мощному методу глобальной оптимизации, который находит применение в машинном обучении, автоматизации экспериментов и настройке гиперпараметров. Автор Peng Liu сочетает теоретические основы с практической реализацией на Python, делая сложные концепции доступными для читателей с разным уровнем подготовки.
В книге подробно рассматриваются ключевые компоненты байесовской оптимизации: априорные распределения, функции правдоподобия, апостериорные распределения и функции приобретения. Особое внимание уделяется гауссовским процессам как основному инструменту для моделирования целевых функций. Теоретические объяснения сопровождаются наглядными примерами и математическими выкладками.
Практическая часть книги посвящена реализации алгоритмов байесовской оптимизации с использованием популярных библиотек Python, таких как scikit-learn, GPyTorch и BoTorch. Рассматриваются реальные сценарии применения: настройка гиперпараметров моделей машинного обучения, оптимизация дорогостоящих экспериментов и работа с шумными данными. Код примеров доступен на GitHub.
Книга будет полезна исследователям, инженерам по машинному обучению и разработчикам, которые хотят освоить современные методы оптимизации. Она также может служить учебным пособием для студентов и аспирантов, изучающих машинное обучение и байесовские методы. Структура книги позволяет использовать её как для последовательного изучения, так и в качестве справочника по конкретным темам.
