机器学习贝叶斯优化

《机器学习贝叶斯优化 》一书将教你如何运用贝叶 斯方法创建高效的机器学习 流程。本书呈现了处理大型 数据集、调优超参数以及探 索复杂搜索空间的实用技巧 。书中内容生动有趣，包含 丰富的插图和引人入胜的实 例，如优化咖啡的甜度、天 气预测建模，甚至用科学逻 辑揭秘超自然现象。你将学 会多目标决策场景下的资源 分配策略、成本敏感型问题 的量化决策方法，以及成对 比较问题的概率建模技巧。 针对稀疏和大数据集的高斯 过程超参数调优策略高性能 参数区域的识别方法基于 PyTorch/GPyTorch/BoTorc h的代码实现。

Quan Nguyen 现任圣路易斯华盛顿大学的研究助理。他曾为 Python 软件基金会撰稿，并已编写了多本关于 Python 编程的畅销书。

第1章 贝叶斯优化简介 1.1 寻找昂贵黑盒函数的最优解 1.1.1 昂贵的黑盒优化问题示例：超参数调优 1.1.2 昂贵黑盒优化问题 1.1.3 其他昂贵黑盒优化问题的示例 1.2 引入贝叶斯优化 1.2.1 使用高斯过程进行建模 1.2.2 使用贝叶斯优化策略进行决策 1.2.3 将高斯过程和优化策略结合起来形成优化循环 1.2.4 贝叶斯优化的实际应用 1.3 你将从本书中学到什么 1.4 本章小结 第Ⅰ部分 使用高斯过程建模 第2章 高斯过程作为函数上的分布 2.1 如何以贝叶斯方式出售你的房子 2.2 运用多元高斯分布对相关性建模并进行贝叶斯更新 2.2.1 使用多元高斯分布联合建模多个变量 2.2.2 更新多元高斯分布 2.2.3 使用高维高斯分布建模多个变量 2.3 从有限维高斯分布到无限维高斯分布 2.4 在Python中实现高斯过程 2.4.1 设置训练数据 2.4.2 实现一个高斯过程类 2.4.3 使用高斯过程进行预测 2.4.4 高斯过程的预测可视化 2.4.5 超越一维目标函数 2.5 练习题 2.6 本章小结 第3章 通过均值和协方差函数定制高斯过程 3.1 贝叶斯模型中先验的重要性 3.2 将已知的信息融入高斯过程 3.3 使用均值函数定义函数行为 3.3.1 使用零均值函数作为基本策略 3.3.2 使用常数函数和梯度下降法 3.3.3 使用线性函数和梯度下降法 3.3.4 通过实现自定义均值函数来使用二次函数 3.4 用协方差函数定义变异性和平滑性 3.4.1 协方差函数的尺度设置 3.4.2 使用不同的协方差函数控制平滑度 3.4.3 使用多个长度尺度来模拟不同水平的变异性 3.5 练习题 3.6 本章小结 第Ⅱ部分 使用贝叶斯优化进行决策 第Ⅲ部分 将贝叶斯优化扩展到特定设置 第Ⅳ部分 特殊高斯过程模型 附录A 练习题实现方案(在线提供)