Después de una revisión rápida del material de vídeos anteriores,
este video analiza los dominios de aplicación donde SÍ se recomienda
la optimización bayesiana (optimización experimental sin modelos,
parámetros de cálculos largos neuronales/fluidos/…), así como algunas
circunstancias en las que NO se recomienda (funciones simples, casos de
alta dimensión). Si no has visto los vídeos [BOmot1], [BOmot2] y [BOmot3], te recomiendo su
visualización.
El vídeo concluye con un par de comentarios sobre, primero, el hecho de que
el determinismo es un caso límite de estadística con un taman~o de
incertidumbre que tiende a cero, por lo que hay bastantes problemas de
optimización deterministas que admiten una ”interpretación estadística” (por
ejemplo, mínimos cuadrados , suponiendo un ruido de medición aleatorio
normalmente distribuido); También existen opciones de optimización bayesiana
semiparamétrica.
La segunda observación sen~ala el hecho de que los métodos basados
en gradiente pueden quedarse estancados en mínimos locales; por lo
tanto, algunos algoritmos (búsqueda aleatoria dirigida) utilizan pasos de
”tirar los dados” para intentar explorar y obtener el óptimo global; sin
embargo, estas cuestiones no cambian el hecho de que el problema subyacente
es determinista y no se supone que haya incertidumbre en la función
objetivo.
Un resumen y conclusiones repasando las ideas de este vídeo y los anteriores
de la serie que comenzó con el vídeo [BOmot1] finalizan el vídeo y el conjunto de 4
vídeos que motivan y describen brevemente las principales características de la
optimización bayesiana.
, Duración: 17:57