Distributed Machine Learning and Gradient Optimization
Produktbeskrivelse
Denne boken presenterer den nyeste utviklingen innen distribuerte maskinlæringsalgoritmer basert på gradientoptimalisering. I en tid preget av store datamengder, utfordrer omfattende datasett de eksisterende maskinlæringssystemene på betydelige måter. Derfor har implementeringen av maskinlæringsalgoritmer i distribuerte miljøer blitt en sentral teknologi. Forskning har nylig vist at gradientbasert iterativ optimalisering er en effektiv løsning i denne sammenhengen. Boken fokuserer på metoder som kan akselerere storstilt gradientoptimalisering gjennom både algoritmeoptimalisering og nøye gjennomførte systemimplementeringer. Den introduserer tre essensielle teknikker for design av et gradientoptimaliseringsalgoritme for trening av en distribuerte maskinlæringsmodell: parallell strategi, datakomprimering og synkroniseringsprotokoll. Skrevet i en tutorial-stil dekker den et spekter av emner, fra grunnleggende kunnskap til en rekke nøye utformede algoritmer og systemer innen distribuert maskinlæring. Boken vil appellere til et bredt publikum.
