Введение в автоматизированное машинное обучение (AutoML)

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