|
|
|
|
LEADER |
00000aam a2200000 i 4500 |
003 |
arcduce |
005 |
20231103201511.0 |
007 |
t| |
008 |
230306s2023 enk||||| |||| 00| 0 eng d |
020 |
|
|
|a 9780262048439
|
040 |
|
|
|a arcduce
|b spa
|c arcduce
|e rda
|
041 |
0 |
|
|a eng
|
082 |
0 |
|
|2 22
|a 006.31
|
100 |
1 |
|
|a Murphy, Kevin P.
|q (Kevin Patrick)
|9 20653
|e autor
|
245 |
1 |
0 |
|a Probabilistic machine learning :
|b advanced topics /
|c Kevin P. Murphy.
|
264 |
|
4 |
|a Cambridge, Mass. :
|b The MIT Press,
|c ©2023
|
300 |
|
|
|a xxxi, 1319 páginas :
|b ilustraciones (color), gráficos
|
336 |
|
|
|2 rdacontent
|a texto
|
337 |
|
|
|2 rdamedia
|a sin mediación
|
338 |
|
|
|2 rdacarrier
|a volumen
|
490 |
0 |
|
|a Adaptive computation and machine learning
|
504 |
|
|
|a Bibliografía: páginas 1239-1319.
|
505 |
0 |
|
|a 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.
|
520 |
3 |
|
|a 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.
|b 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
|
650 |
|
4 |
|a PROBABILIDADES
|9 1598
|
650 |
|
4 |
|a INFERENCIA ESTADISTICA
|9 430
|
650 |
|
4 |
|a APRENDIZAJE AUTOMATICO
|9 20674
|
653 |
|
4 |
|a MACHINE LEARNING
|
856 |
4 |
|
|u https://www.cs.ubc.ca/~murphyk/
|y Información sobre el autor
|
942 |
|
|
|c LIBR
|2 ddc
|j 006.310151 M 57228
|
945 |
|
|
|a BEA
|c 2023-11-02
|
952 |
|
|
|0 0
|1 0
|2 ddc
|4 0
|6 006_310151000000000_M_57228
|7 0
|9 48300
|a BMB
|b BMB
|d 2023-11-02
|l 1
|o 006.310151 M 57228
|p 57228
|q 2030-09-30
|r 2023-11-10 00:00:00
|s 2023-11-10
|w 2023-11-02
|y LIBR
|
999 |
|
|
|c 35438
|d 35438
|