Detalles MARC
000 -CABECERA |
Longitud fija campo de control |
03574aam a2200349 i 4500 |
003 - IDENTIFICADOR DELl NÚMERO DE CONTROL |
Identificador del número de control |
arcduce |
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
Fecha y hora de la última transacción |
20231103201511.0 |
007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA |
Campo fijo de descripción física |
t| |
008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
Códigos de información de longitud fija |
230306s2023 enk||||| |||| 00| 0 eng d |
020 ## - NÚMERO INTERNACIONAL NORMALIZADO PARA LIBROS |
Número Internacional Normalizado para Libros (ISBN) |
9780262048439 |
040 ## - FUENTE DE LA CATALOGACIÓN |
Centro catalogador de origen |
arcduce |
Lengua de catalogación |
spa |
Centro transcriptor |
arcduce |
Normas de descripción |
rda |
041 0# - CÓDIGO DE LENGUA |
Código de lengua del texto/banda sonora o título independiente |
eng |
082 0# - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY |
Número de edición |
22 |
Número de clasificación |
006.31 |
100 1# - PUNTO DE ACCESO PRINCIPAL-NOMBRE DE PERSONA |
Nombre de persona |
Murphy, Kevin P. |
Forma desarrollada del nombre |
(Kevin Patrick) |
9 (RLIN) |
20653 |
Término indicativo de función |
autor |
245 10 - MENCIÓN DE TÍTULO |
Título |
Probabilistic machine learning : |
Resto del título |
advanced topics / |
Mención de responsabilidad, etc. |
Kevin P. Murphy. |
264 #4 - PRODUCCIÓN, PUBLICACIÓN , DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
Lugar de producción, publicación, distribución, fabricación |
Cambridge, Mass. : |
Nombre del productor, editor, distribuidor, fabricante |
The MIT Press, |
Fecha de de producción, publicación, distribución, fabricación o copyright |
©2023 |
300 ## - DESCRIPCIÓN FÍSICA |
Extensión |
xxxi, 1319 páginas : |
Otras características físicas |
ilustraciones (color), gráficos |
336 ## - TIPO DE CONTENIDO |
Fuente |
rdacontent |
Término de tipo de contenido |
texto |
337 ## - TIPO DE MEDIO |
Fuente |
rdamedia |
Nombre del tipo de medio |
sin mediación |
338 ## - TIPO DE SOPORTE |
Fuente |
rdacarrier |
Nombre del tipo de soporte |
volumen |
490 0# - MENCIÓN DE SERIE |
Mención de serie |
Adaptive computation and machine learning |
504 ## - NOTA DE BIBLIOGRAFÍA, ETC |
Nota de bibliografía, etc. |
Bibliografía: páginas 1239-1319. |
505 0# - NOTA DE CONTENIDO CON FORMATO |
Nota de contenido con formato |
Introduction -- 1. Fundamentals: probability. Statistics. Graphical models. Information theory. Optimization -- 2. Inference: Inference algothms. Gaussian filtering and smoothind. Message passing algorithms. Variational inference. Monte Carlo methods. Markov chain Monte Carlo. Sequential Monte Carlo -- 3. Prediction: Predictive models. Generalized lineal models. Deep neural networks. Bayesian neural networks. Gaussian processes. Beyond the iid assumption -- 4. Generation: Generative models. Variational autoencoders. Autoregressive models. Normalizing flows. Enery-based models. Diffusion models. Generative adversarial networks -- 5. Discovery: Latent factor models. State-space models. Graph learning. Nonparametric bayesian models. Representation learning. Interpretability -- 6. Action: Decision making under uncertainty. Reinforcement learning. Causality. |
520 3# - NOTA DE SUMARIO |
Sumario, etc, |
Un libro avanzado para investigadores y estudiantes de posgrado que trabajan en aprendizaje automático y estadística y quieren aprender sobre aprendizaje profundo, inferencia bayesiana, modelos generativos y toma de decisiones bajo incertidumbre.<br/><br/>Una contrapartida avanzada a Probabilistic Machine Learning: An Introduction, este libro de texto de alto nivel proporciona a los investigadores y estudiantes de posgrado una cobertura detallada de los temas de vanguardia en el aprendizaje automático, incluyendo el modelado generativo profundo, los modelos gráficos, la inferencia bayesiana, el aprendizaje por refuerzo y la causalidad. Este volumen sitúa el aprendizaje profundo en un contexto estadístico más amplio y unifica los enfoques basados en el aprendizaje profundo con los basados en el modelado probabilístico y la inferencia. Con contribuciones de los mejores científicos y expertos en la materia de lugares como Google, DeepMind, Amazon, Purdue University, NYU y la Universidad de Washington, este libro riguroso es esencial para comprender las cuestiones vitales del aprendizaje automático. |
Ampliación de las notas de sumario |
Cubre la generación de resultados de alta dimensionalidad, como imágenes, texto y gráficos.<br/>- Analiza métodos para descubrir información sobre los datos, basados en modelos de variables latentes.<br/>- Considera la formación y las pruebas con diferentes distribuciones<br/>- Explora cómo utilizar los modelos probabilísticos y la inferencia para la inferencia causal y la toma de decisiones.<br/>- Incluye código Python de acompañamiento en línea |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
PROBABILIDADES |
9 (RLIN) |
1598 |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
INFERENCIA ESTADISTICA |
9 (RLIN) |
430 |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
APRENDIZAJE AUTOMATICO |
9 (RLIN) |
20674 |
653 #4 - TÉRMINO DE INDIZACIÓN - NO CONTROLADO |
Término no controlado |
MACHINE LEARNING |
856 4# - LOCALIZACIÓN Y ACCESO ELECTRÓNICO |
Identificador Uniforme del Recurso (URI) |
<a href="https://www.cs.ubc.ca/~murphyk/">https://www.cs.ubc.ca/~murphyk/</a> |
Texto del enlace |
Información sobre el autor |
942 ## - ENTRADA DE ELEMENTOS AGREGADOS (KOHA) |
Koha [por defecto] tipo de item |
Libro |
Fuente de clasificación o esquema |
Dewey Decimal Classification |
Solicitar por |
006.310151 M 57228 |
945 ## - TRATAMIENTO DE LA INFORMACIÓN LOCAL (OCLC) |
a |
Beatriz Liliana Isidoro |
c |
2023-11-02 |