[ДМК] Вероятностное машинное обучение. Дополнительные темы: основания, вывод [Кэвин Мэрфи]

Складчина: [ДМК] Вероятностное машинное обучение. Дополнительные темы: основания, вывод [Кэвин Мэрфи]

Дополняя ранее изданную книгу «Вероятностное машинное обучение. Введение», этот классический труд знакомит читателя с деталями самых актуальных теорий и методов машинного обучения, включая глубокие порождающие модели, графовые модели, байесовский вывод, обучение с подкреплением и причинность. Глубокое обучение излагается в контексте более широкого статистического контекста, а подходы к глубокому обучению унифицированы с подходами к вероятностному моделированию и выводу.

Основные темы:

• вероятность;
• статистика;
• графовые модеи;
• теория информации;
• оптимизация;
• алгоритмы вывода;
• Гауссова фильтрация и сглаживание;
• алгоритмы передачи сообщений;
• вариационный вывод;
• методы Монте-Карло.

Отдельные части книги написаны ведущими исследователями и специалистами в предметной области из таких компаний, как Google, DeepMind, Amazon, университет Пердью, Нью-Йоркский и Вашингтонский университеты; в частности, по этой причине книга крайне важна для понимания животрепещущих проблем машинного обучения.

Кэвин Патрик Мэрфи получил степень бакалавра в Кэмбридже, Англия, и продолжил образование в США (магистр технических наук в Пенсильванском университете, доктор в Калифорнийском университете в Беркли, постдокторантура в МТИ). В 2004 году занял должность профессора информатики и статистики в Университете Британской Колумбии в Ванкувере. Работает в отделении Google в Маунтин-Вью, где занимается искусственным интеллектом, машинным обучением, компьютерным зрением и пониманием текстов на естественном языке.

Издание: Цветное
Оригинальное название: "Probabilistic Machine Learning: Advanced Topics"
Оригинальный правообладатель: The MIT Press
Оригинальный правообладатель: MITP
Автор: Мэрфи К. П.
Объем, стр: ~1100
ISBN: 978-5-93700-120-7
PDF от издателя

Скрытая ссылка