| http://dbpedia.org/ontology/abstract
|
Die Bayes’sche Optimierung ist eine sequen … Die Bayes’sche Optimierung ist eine sequenzielle Versuchsplanung für die globale Optimierung von Black-Box-Funktionen, die keine funktionalen Formen voraussetzt. Sie wird in der Regel zur Optimierung von Funktionen eingesetzt, die teuer zu bewerten sind. Bei der Bayes’sche Optimierung wird bestehendes Wissen eingesetzt um neue Datenpunkte zur Auswertung durch die Black-Box-Funktion vorzuschlagen und so das Optimum zu finden. Die vorgeschlagenen Punkte gehen einen Trade-off zwischen Exploration und Exploitation ein, welcher durch die gewählte Erfassungsfunktionen beeinflusst wird.lte Erfassungsfunktionen beeinflusst wird.
, Bayesian optimization is a sequential design strategy for global optimization of black-box functions that does not assume any functional forms. It is usually employed to optimize expensive-to-evaluate functions.
, En aprenentatge automàtic, l'optimització … En aprenentatge automàtic, l'optimització bayesiana és una estratègia de disseny seqüencial per a l'optimització global de funcions matemàtiques, les quals compleixen una sèrie de criteris com:
* El cost computacional de la seva avaluació és molt elevat.
* Funcions objectiu tractades com a caixes negres, i per tant, no es disposa de cap informació sobre les seves derivades.
* L'avaluació de la funció objectiu pot èsser sorollosa. Aquest tipus de problemes apareixen sovint en camps com la simulació de fenòmens de molt variada tipologia o en el camp de la intel·ligència artificial.n el camp de la intel·ligència artificial.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/GpParBayesAnimationSmall.gif?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://rmcantin.bitbucket.io/html/ +
, http://www.cs.ubc.ca/labs/beta/Projects/SMAC/ +
, https://www.tensorflow.org/probability +
, https://mindfoundry.ai/optaas +
, https://botorch.org +
, https://bitbucket.org/mlcircus/bayesopt.m +
, https://github.com/mwhoffman/pybo +
, https://github.com/google/vizier +
, http://bayeso.org +
, https://github.com/secondmind-labs/trieste +
, http://gpytorch.ai +
, https://github.com/yelp/MOE +
, https://github.com/AnotherSamWilson/ParBayesianOptimization +
, https://github.com/GPflow/GPflowOpt +
, https://github.com/HIPS/Spearmint +
, https://github.com/SheffieldML/GPy +
, https://github.com/GPflow/GPflow +
, https://sheffieldml.github.io/GPyOpt/ +
, https://sigopt.com/ +
, https://www.tensorflow.org/ +
|
| http://dbpedia.org/ontology/wikiPageID
|
40973765
|
| http://dbpedia.org/ontology/wikiPageLength
|
14260
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1121149520
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Kriging +
, http://dbpedia.org/resource/Thompson_sampling +
, http://dbpedia.org/resource/Particle_physics +
, http://dbpedia.org/resource/Dimension +
, http://dbpedia.org/resource/Robotics +
, http://dbpedia.org/resource/Probabilistic_numerics +
, http://dbpedia.org/resource/Prior_distribution +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Sequential_analysis +
, http://dbpedia.org/resource/Sensor_networks +
, http://dbpedia.org/resource/Multi-armed_bandit +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Mathematical_optimization +
, http://dbpedia.org/resource/Posterior_distribution +
, http://dbpedia.org/resource/Learning_to_rank +
, http://dbpedia.org/resource/Broyden%E2%80%93Fletcher%E2%80%93Goldfarb%E2%80%93Shanno_algorithm +
, http://dbpedia.org/resource/Black_box +
, http://dbpedia.org/resource/Category:Stochastic_optimization +
, http://dbpedia.org/resource/Upper_confidence_bound +
, http://dbpedia.org/resource/Derivative +
, http://dbpedia.org/resource/Parzen-Tree_Estimator +
, http://dbpedia.org/resource/Probability_of_improvement +
, http://dbpedia.org/resource/Exploration_and_exploitation +
, http://dbpedia.org/resource/Lower_confidence_bound +
, http://dbpedia.org/resource/Bayesian_expected_losses +
, http://dbpedia.org/resource/Expected_improvement +
, http://dbpedia.org/resource/Reinforcement_learning +
, http://dbpedia.org/resource/Computer_graphics +
, http://dbpedia.org/resource/File:GpParBayesAnimationSmall.gif +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Newton%27s_method_in_optimization +
, http://dbpedia.org/resource/Category:Sequential_methods +
, http://dbpedia.org/resource/Bayesian_experimental_design +
, http://dbpedia.org/resource/Category:Sequential_experiments +
, http://dbpedia.org/resource/Global_optimization +
, http://dbpedia.org/resource/Gaussian_process +
, http://dbpedia.org/resource/Pareto_optimum +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Ill +
, http://dbpedia.org/resource/Template:Reflist +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Sequential_methods +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Category:Stochastic_optimization +
, http://dbpedia.org/resource/Category:Sequential_experiments +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Optimization +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Bayesian_optimization?oldid=1121149520&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/GpParBayesAnimationSmall.gif +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Bayesian_optimization +
|
| owl:sameAs |
https://global.dbpedia.org/id/fQjq +
, http://de.dbpedia.org/resource/Bayes%E2%80%99sche_Optimierung +
, http://yago-knowledge.org/resource/Bayesian_optimization +
, http://rdf.freebase.com/ns/m.0ywxl88 +
, http://dbpedia.org/resource/Bayesian_optimization +
, http://www.wikidata.org/entity/Q17002908 +
, http://ca.dbpedia.org/resource/Optimitzaci%C3%B3_bayesiana +
|
| rdf:type |
http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/WikicatSequentialExperiments +
, http://dbpedia.org/class/yago/ScientificResearch100641820 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/Research100636921 +
, http://dbpedia.org/class/yago/Ability105616246 +
, http://dbpedia.org/class/yago/Work100575741 +
, http://dbpedia.org/class/yago/Experiment100639556 +
, http://dbpedia.org/class/yago/Investigation100633864 +
, http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/Method105660268 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/WikicatSequentialMethods +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/ontology/Software +
, http://dbpedia.org/class/yago/Know-how105616786 +
, http://dbpedia.org/class/yago/Cognition100023271 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
|
| rdfs:comment |
Bayesian optimization is a sequential design strategy for global optimization of black-box functions that does not assume any functional forms. It is usually employed to optimize expensive-to-evaluate functions.
, En aprenentatge automàtic, l'optimització … En aprenentatge automàtic, l'optimització bayesiana és una estratègia de disseny seqüencial per a l'optimització global de funcions matemàtiques, les quals compleixen una sèrie de criteris com:
* El cost computacional de la seva avaluació és molt elevat.
* Funcions objectiu tractades com a caixes negres, i per tant, no es disposa de cap informació sobre les seves derivades.
* L'avaluació de la funció objectiu pot èsser sorollosa. Aquest tipus de problemes apareixen sovint en camps com la simulació de fenòmens de molt variada tipologia o en el camp de la intel·ligència artificial.n el camp de la intel·ligència artificial.
, Die Bayes’sche Optimierung ist eine sequen … Die Bayes’sche Optimierung ist eine sequenzielle Versuchsplanung für die globale Optimierung von Black-Box-Funktionen, die keine funktionalen Formen voraussetzt. Sie wird in der Regel zur Optimierung von Funktionen eingesetzt, die teuer zu bewerten sind. Bei der Bayes’sche Optimierung wird bestehendes Wissen eingesetzt um neue Datenpunkte zur Auswertung durch die Black-Box-Funktion vorzuschlagen und so das Optimum zu finden. Die vorgeschlagenen Punkte gehen einen Trade-off zwischen Exploration und Exploitation ein, welcher durch die gewählte Erfassungsfunktionen beeinflusst wird.lte Erfassungsfunktionen beeinflusst wird.
|
| rdfs:label |
Optimització bayesiana
, Bayesian optimization
, Bayes’sche Optimierung
|
