[Кэвин Мэрфи] [ДМК] Вероятностное машинное обучение. Дополнительные темы: основания, вывод (2024)

[Кэвин Мэрфи] [ДМК] Вероятностное машинное обучение. Дополнительные темы: основания, вывод (2024)

[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”
Формат: PDF от издателя.