000 | 03574aam a2200349 i 4500 | ||
---|---|---|---|
003 | arcduce | ||
005 | 20231103201511.0 | ||
007 | t| | ||
008 | 230306s2023 enk||||| |||| 00| 0 eng d | ||
020 | _a9780262048439 | ||
040 |
_aarcduce _bspa _carcduce _erda |
||
041 | 0 | _aeng | |
082 | 0 |
_222 _a006.31 |
|
100 | 1 |
_aMurphy, Kevin P. _q(Kevin Patrick) _920653 _eautor |
|
245 | 1 | 0 |
_aProbabilistic machine learning : _badvanced topics / _cKevin P. Murphy. |
264 | 4 |
_aCambridge, Mass. : _bThe MIT Press, _c©2023 |
|
300 |
_axxxi, 1319 páginas : _bilustraciones (color), gráficos |
||
336 |
_2rdacontent _atexto |
||
337 |
_2rdamedia _asin mediación |
||
338 |
_2rdacarrier _avolumen |
||
490 | 0 | _aAdaptive computation and machine learning | |
504 | _aBibliografía: páginas 1239-1319. | ||
505 | 0 | _aIntroduction -- 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 |
_aUn 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. _bCubre 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 |
|
650 | 4 |
_aPROBABILIDADES _91598 |
|
650 | 4 |
_aINFERENCIA ESTADISTICA _9430 |
|
650 | 4 |
_aAPRENDIZAJE AUTOMATICO _920674 |
|
653 | 4 | _aMACHINE LEARNING | |
856 | 4 |
_uhttps://www.cs.ubc.ca/~murphyk/ _yInformación sobre el autor |
|
942 |
_cLIBR _2ddc _j006.310151 M 57228 |
||
945 |
_aBEA _c2023-11-02 |
||
999 |
_c35438 _d35438 |