贝叶斯优化是一种用于（潜在的噪声）函数的全局优化策略，该函数具有未知的导数。通过精心选择的先验，它可以找到比其他方法更少的函数评估次数的最佳值，使其非常适合优化昂贵的目标函数。
众所周知的例子包括机器学习模型的超参数调整（参见例如 Taking the Human Out of the Loop: A Review of Bayesian Optimization）。Julia 包 BayesianOptimization.jl 目前只支持基本的贝叶斯优化方法。有许多方向可以改进该包，包括（但不限于）
更好的默认值（持续时间：175 小时，预计难度：简单）：编写广泛的测试套件并实现更好的默认值；从例如 dragonfly 中获取灵感。
推荐技能：熟悉贝叶斯推断、非线性优化、编写 Julia 代码和阅读 Python 代码。
预期结果：经过良好测试且有良好文档的新功能。
导师：Johanni Brea