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

[Dr. Dre]

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.


Курс ведет: Кэвин Мэрфи

О курсе от автора:

Для просмотра ссылок пройдите регистрацию

Скачать материалы курса:

Для просмотра ссылок пройдите регистрацию!

Материал может быть удалён по требованию правообладателя