来自华盛顿大学的 Roman Garnett 撰写了一本名为《 BAYESIAN OPTIMIZATION 》的书籍。这本书旨在为读者提供一个从零开始全面了解贝叶斯优化的过程，并细致的阐述了所有关键的想法。这种自下而上的方法允许我们在贝叶斯优化算法中确定统一的主题，这些主题可能在以往的调研文献时丢失。

该书还不是最终版本，终稿将于 2022 年初由剑桥大学出版社出版。

该书目标受众是机器学习、统计学等相关领域的研究人员或研究生。在阅读本书之前，你需要熟悉微分、积分、概率、线性代数、高斯分布。有时，书中的讨论会转向深奥的数学领域，对于这些内容读者可以忽略。

书籍地址：

https://bayesoptbook.com/book/bayesoptbook.pdf

总得来说，书籍主要分为三大部分：

  • 理论和实践部分的高斯过程建模；

  • 序列决策方面的贝叶斯方法；

  • 优化策略的实现。

此外，该书还包括一些其他主题：理论收敛结果的概述；可扩展调查；贝叶斯优化发展史；在应用中带注释的参考书籍。

具体而言，书籍主要分 12 个章节：包括引言；高斯过程；高斯过程建模；模型评估、选择和平均；优化决策理论；优化 Utility 函数；通用贝叶斯优化策略；高斯过程的计算策略；实现方式；理论分析；扩展和相关设置；贝叶斯优化发展史。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除