Grundlagen für optimalen Transport mit JAX und OTT

Optimaler Transport bietet ein leistungsfähiges mathematisches Rahmenwerk für den Vergleich von Wahrscheinlichkeitsverteilungen, aber die Skalierung dieser Methoden auf große Datensätze war in der Vergangenheit eine Herausforderung. Moderne Bibliotheken ermöglichen es Ihnen, die Hardwarebeschleunigung zu nutzen, um komplexe Transportprobleme effizient zu lösen. Dieser textbasierte Kurs führt Sie von der grundlegenden mathematischen Theorie des optimalen Transports zum Schreiben sauberen, beschleunigten Codes. Sie werden verstehen, wie Sie Transportprobleme formulieren, Entfernungen berechnen und skalierbare Lösungen mit JAX und der Bibliothek Optimal Transport Tools (OTT) implementieren. Was Sie lernen: Verstehen Sie die mathematische Kerntheorie der Monge- und Kantorovich-Formulierungen des optimalen Transports; Berechnen Sie Wasserstein-Distanzen und definieren Sie benutzerdefinierte Kostenfunktionen für verschiedene Datentypen; Implementieren Sie entropische Regularisierung und den Sinkhorn-Algorithmus für schnellen, differenzierbaren Transport; Nutzen Sie JAX-Funktionen wie automatische Anwendung der OTT-Bibliothek zur Lösung praktischer Probleme in der Domänenadaption und der generativen Modellierung. Sie beginnen mit der wesentlichen mathematischen Terminologie und den grundlegenden Konzepten, bevor Sie mit praktischen Code-Implementierungen fortfahren. Durch klare schriftliche Erklärungen und strukturierte Code-Snippets entwickeln Sie sich von grundlegenden Entfernungsberechnungen zu fortgeschrittenen regularisierten Transportalgorithmen. Dieser Kurs richtet sich an Entwickler, Datenwissenschaftler und Forscher, die sich noch nicht mit optimalem Transport beschäftigen und keine Vorkenntnisse in JAX oder OTT benötigen. Beherrschen Sie den optimalen Transport und beschleunigen Sie Ihre Machine-Learning-Workflows noch heute.