Probabilistic machine learning : advanced topics / Kevin P. Murphy.
Tipo de material:![Texto](/opac-tmpl/lib/famfamfam/BK.png)
- texto
- sin mediación
- volumen
- 9780262048439
- 22 006.31
Tipo de ítem | Biblioteca actual | Signatura topográfica | Estado | Fecha de vencimiento | Código de barras | |
---|---|---|---|---|---|---|
![]() |
Biblioteca Manuel Belgrano | 006.310151 M 57228 (Navegar estantería(Abre debajo)) | Prestado | 30/09/2030 | 57228 |
Navegando Biblioteca Manuel Belgrano estanterías Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
No hay imagen de cubierta disponible | ||||||||
005.756 P 44048 CD El libro de Access 97 / | 006.31 H 51147 The elements of statistical learning : data mining, inference, and prediction / | 006.31 M 57227 Probabilistic machine learning : an introduction / | 006.310151 M 57228 Probabilistic machine learning : advanced topics / | 006.312 P 49042 Pattern recognition algorithms for data mining : scalability, knowledge discovery and soft granular computing / | 006.32 F 43319 Redes neuronales : algoritmos, aplicaciones y técnicas de programación / | 006.50284 A 56825 Auriculares multidispositivo / |
Bibliografía: páginas 1239-1319.
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.
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.
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. Cubre la generación de resultados de alta dimensionalidad, como imágenes, texto y gráficos.
- Analiza métodos para descubrir información sobre los datos, basados en modelos de variables latentes.
- Considera la formación y las pruebas con diferentes distribuciones
- Explora cómo utilizar los modelos probabilísticos y la inferencia para la inferencia causal y la toma de decisiones.
- Incluye código Python de acompañamiento en línea
No hay comentarios en este titulo.