TY  - BOOK
AU  - Murphy,Kevin P.
TI  - Probabilistic machine learning: advanced topics 
T2  - Adaptive computation and machine learning
SN  - 9780262048439
U1  - 006.31 22
PY  - 2023///
CY  - Cambridge, Mass.
PB  - The MIT Press
KW  - PROBABILIDADES
KW  - INFERENCIA ESTADISTICA
KW  - APRENDIZAJE AUTOMATICO
KW  - MACHINE LEARNING
N1  - 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
N2  - 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
UR  - https://www.cs.ubc.ca/~murphyk/
ER  -