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