Введение в автоматизированное машинное обучение (AutoML)

Читать фрагмент

книга

Введение в автоматизированное машинное обучение (AutoML)

Автор: Франк Хуттер, Ларс Коттхофф, Хоакин Ваншорен

Ошеломляющий успех коммерческих приложений машинного обучения (machine learning – ML) и быстрый рост этой отрасли создали высокий спрос на готовые методы ML, которые можно легко использовать без специальных знаний. Однако и сегодня успех практического применения в решающей степени зависит от экспертов – людей, которые вручную выбирают подходящие архитектуры и их гиперпараметры. Методы AutoML нацелены на устранение этого узкого места путем построения систем ML, способных к автоматической оптимизации и самонастройке независимо от типа входных данных. В этой книге впервые представлен всеобъемлющий обзор базовых методов автоматизированного машинного обучения (AutoML).Издание послужит отправной точкой для изучения этой быстро развивающейся области; тем, кто уже использует AutoML в своей работе, книга пригодится в качестве справочника.

Форматы: PDF

Издательство: ДМК Пресс

Год: 2023

Место издания: Москва

ISBN: 978-5-93700-196-2 (рус.). – ISBN 978-1-80181-497-3 (англ.)

Страниц: 258

Артикул: 107977

Возрастная маркировка: 16+

Электронная книга

1499 ₽

Купить и скачать

Содержание

Содержание книги "Введение в автоматизированное машинное обучение (AutoML) "

От издательства

Предисловие

Введение

ЧАСТЬ I. МЕТОДЫ AutoML

Глава 1. Оптимизация гиперпараметров

1.1. Введение

1.2. Постановка задачи

1.3. Оптимизация гиперпараметров методом черного ящика

1.4. Методы оптимизации с переменной точностью

1.5. Применение оптимизации гиперпараметров в AutoML

1.6. Проблемы и перспективные направления исследований

1.7. Литература

Глава 2. Метаобучение

2.1. Введение

2.2. Обучение на основе оценок моделей

2.3. Обучение на основе свойств задачи

2.4. Обучение на основе предыдущих моделей

2.5. Заключение

2.6. Литература

Глава 3. Поиск нейронной архитектуры

3.1. Введение

3.2. Пространство поиска

3.3. Стратегия поиска

3.4. Стратегия оценки производительности

3.5. Перспективные направления

3.6. Литература

ЧАСТЬ II. СИСТЕМЫ AutoML

Глава 4. Auto-WEKA: автоматический выбор модели и оптимизация гиперпараметров в WEKA

4.1. Введение

4.2. Предварительные условия

4.3. Одновременный выбор алгоритмов и оптимизация гиперпараметров (CASH)

4.4. Auto-WEKA

4.5. Экспериментальная оценка

4.6. Заключение

4.7. Литература

Глава 5. Проект Hyperopt-sklearn

5.1. Введение

5.2. Оптимизация с помощью Hyperopt

5.3. Выбор модели в scikit-learn как задача поиска

5.4. Пример использования

5.5. Эксперименты

5.6. Текущее состояние и перспективные направления исследований

5.7. Заключение

5.8. Литература

Глава 6. Auto-sklearn – эффективное и надежное автоматизированное машинное обучение

6.1. Введение

6.2. AutoML как задача CASH

6.3. Новые методы повышения эффективности и надежности AutoML

6.4. Практическая система автоматизированного машинного обучения

6.5. Сравнение Auto-sklearn с Auto-WEKA и Hyperopt-sklearn

6.6. Оценка предложенных улучшений AutoML

6.7. Детальный анализ компонентов Auto-sklearn

6.8. Обсуждение результатов и заключение

6.9. Литература

Глава 7. На пути к автоматически настраиваемым глубоким нейронным сетям

7.1. Введение

7.2. Auto-Net 1.0

7.3. Auto-Net 2.0

7.4. Эксперименты

7.5. Заключение

7.6. Литература

Глава 8. TPOT: инструмент оптимизации конвейеров на основе деревьев для автоматизации машинного обучения

8.1. Введение

8.2. Базовые принципы TPOT

8.3. Результаты

8.4. Выводы и перспективные направления исследований

8.5. Литература

Глава 9. Проект Automatic Statistician

9.1. Введение

9.2. Базовые принципы Automatic Statistician

9.4. Другие системы автоматической статистики

9.5. Заключение

9.6. Литература

ЧАСТЬ III. ПРОБЛЕМЫ AutoML

Глава 10. О чем говорят результаты конкурсов AutoML Challenge?

10.1. Введение

10.2. Формализация задачи и обзор условий

10.3. Данные

10.4. Протокол конкурса

10.5. Результаты

10.6. Обсуждение

10.7. Заключение

10.8. Литература

Предметный указатель

Внимание!
При обнаружении неточностей или ошибок в описании книги "Введение в автоматизированное машинное обучение (AutoML) (автор Франк Хуттер, Ларс Коттхофф, Хоакин Ваншорен)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!

Введение в автоматизированное машинное обучение (AutoML)

Содержание

С книгой "Введение в автоматизированное машинное обучение (AutoML)" читают