Black Box Optimization, Machine Learning, and No-Free Lunch Theorems / Pardalos, Panos M. ; Rasskazova, Varvara ; Vrahatis, Michael N.  

Público ISBD Ningún comentario para este registro. Título : Black Box Optimization, Machine Learning, and No-Free Lunch Theorems Tipo de documento: documento electrónico Autores: Pardalos, Panos M., ; Rasskazova, Varvara, ; Vrahatis, Michael N., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 388 p. 113 ilustraciones, 90 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-66515-9 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Optimización matemática  Aprendizaje automático  Mejoramiento Índice Dewey: 519.6 Resumen: Este volumen editado ilustra las conexiones entre las técnicas de aprendizaje automático, la optimización de la caja negra y los teoremas del almuerzo gratis. Cada una de las trece contribuciones se centra en los conceptos comunes e interdisciplinarios, así como en los fundamentos necesarios para comprender plenamente el impacto de las aplicaciones y problemas individuales. Se proporcionan los métodos teóricos, algorítmicos y prácticos actuales utilizados para estimular un nuevo esfuerzo hacia soluciones innovadoras y eficientes. El libro está dirigido a principiantes que deseen obtener una visión amplia de los métodos de optimización y también a investigadores más experimentados, así como a investigadores en matemáticas, optimización, investigación de operaciones, logística cuantitativa, análisis de datos y estadística, que se beneficiarán del acceso a un referencia rápida a temas y métodos clave. La cobertura abarca desde métodos matemáticamente rigurosos hasta enfoques heurísticos y evolutivos en un intento de equipar al lector con diferentes puntos de vista sobre el mismo problema. Nota de contenido: Learning enabled constrained black box optimization (Archetti) -- Black-box optimization: Methods and applications (Hasan) -- Tuning algorithms for stochastic black-box optimization: State of the art and future perspectives (Bartz-Beielstein) -- Quality diversity optimization: A novel branch of stochastic optimization (Chatzilygeroudis) -- Multi-objective evolutionary algorithms: Past, present and future (Coello C.A) -- Black-box and data driven computation (Du) -- Mathematically rigorous global optimization and fuzzy optimization: A brief comparison of paradigms, methods, similarities and differences (Kearfott) -- Optimization under Uncertainty Explains Empirical Success of Deep Learning Heuristics (Kreinovich) -- Variable neighborhood programming as a tool of machine learning (Mladenovic) -- Non-lattice covering and quanitization of high dimensional sets (Zhigljavsky) -- Finding effective SAT partitionings via black-box optimization (Semenov) -- The No Free Lunch Theorem: What are its main implications for the optimization practice? ( Serafino) -- What is important about the No Free Lunch theorems? (Wolpert). En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Black Box Optimization, Machine Learning, and No-Free Lunch Theorems [documento electrónico] / Pardalos, Panos M., ; Rasskazova, Varvara, ; Vrahatis, Michael N.,  . -  1 ed.  . - [s.l.] : Springer, 2021 . - X, 388 p. 113 ilustraciones, 90 ilustraciones en color. ISBN : 978-3-030-66515-9 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Optimización matemática  Aprendizaje automático  Mejoramiento Índice Dewey: 519.6 Resumen: Este volumen editado ilustra las conexiones entre las técnicas de aprendizaje automático, la optimización de la caja negra y los teoremas del almuerzo gratis. Cada una de las trece contribuciones se centra en los conceptos comunes e interdisciplinarios, así como en los fundamentos necesarios para comprender plenamente el impacto de las aplicaciones y problemas individuales. Se proporcionan los métodos teóricos, algorítmicos y prácticos actuales utilizados para estimular un nuevo esfuerzo hacia soluciones innovadoras y eficientes. El libro está dirigido a principiantes que deseen obtener una visión amplia de los métodos de optimización y también a investigadores más experimentados, así como a investigadores en matemáticas, optimización, investigación de operaciones, logística cuantitativa, análisis de datos y estadística, que se beneficiarán del acceso a un referencia rápida a temas y métodos clave. La cobertura abarca desde métodos matemáticamente rigurosos hasta enfoques heurísticos y evolutivos en un intento de equipar al lector con diferentes puntos de vista sobre el mismo problema. Nota de contenido: Learning enabled constrained black box optimization (Archetti) -- Black-box optimization: Methods and applications (Hasan) -- Tuning algorithms for stochastic black-box optimization: State of the art and future perspectives (Bartz-Beielstein) -- Quality diversity optimization: A novel branch of stochastic optimization (Chatzilygeroudis) -- Multi-objective evolutionary algorithms: Past, present and future (Coello C.A) -- Black-box and data driven computation (Du) -- Mathematically rigorous global optimization and fuzzy optimization: A brief comparison of paradigms, methods, similarities and differences (Kearfott) -- Optimization under Uncertainty Explains Empirical Success of Deep Learning Heuristics (Kreinovich) -- Variable neighborhood programming as a tool of machine learning (Mladenovic) -- Non-lattice covering and quanitization of high dimensional sets (Zhigljavsky) -- Finding effective SAT partitionings via black-box optimization (Semenov) -- The No Free Lunch Theorem: What are its main implications for the optimization practice? ( Serafino) -- What is important about the No Free Lunch theorems? (Wolpert). En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200