Planen Sie teure Experimente mit probabilistischen Surrogaten und Akquisitionsstrategien.
Der Lernpfad führt von der Motivation Bayes'scher Optimierung zu surrogatebasiertem Versuchsdesign und automatisierter Leistungssuche. Sie untersuchen Unsicherheit, Akquisitionswahl, Messrauschen sowie praktische Beschränkungen wie Evaluationskosten und Parameterbereiche. Vergleiche mit Random Search und das Suchbudget werden reproduzierbar und sorgfältig dokumentiert.
Erklären, wie ein probabilistisches Surrogat und eine Akquisitionsregel aufeinanderfolgende Zielauswertungen steuern. Suchräume und Validierung für gemischte, begrenzte, verrauschte oder kostspielige Parameter wählen. Bayes'sche Optimierung und Random oder Grid Search bei gleichem Budget vergleichen und Unsicherheit sowie Reproduzierbarkeit berichten.
Kenntnisse zu überwachtem Machine Learning, Hyperparametern und grundlegender Wahrscheinlichkeit sind empfehlenswert. Diagramme zu interpretieren ist hilfreich; Erfahrung mit Gaussian-Process-Implementierungen ist nicht nötig.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschritten · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.