Probabilistic Graphical Models : Principles and Aplications /
Contiene: I). Fundamentos: 1. Introducción; 2. Teoría de probabilidad; 3. Teoría gráfica. II) Modelos probabilísticos: 4. Clasificadores bayesianos; 5. Modelos ocultos de Markov; 6. Campos aleatorios de Markov; 7. Redes bayesianas: representación e inferencia; 8. Redes bayesianas: aprendizaje; 9. Re...
Guardado en:
| Autor principal: | |
|---|---|
| Otros autores: | |
| Formato: | Libro |
| Idioma: | Inglés |
| Publicado: |
Londres, Inglaterra :
Springer,
2021, c2021
|
| Edición: | 2a edición |
| Colección: | (Advances in Computer Vision and Pattern Recognition)
|
| Temas: | |
| Acceso en línea: | Ver documento en línea |
| Etiquetas: |
Sin etiquetas, Sé el primero en etiquetar este registro!
|
| Resumen: | Contiene: I). Fundamentos: 1. Introducción; 2. Teoría de probabilidad; 3. Teoría gráfica. II) Modelos probabilísticos: 4. Clasificadores bayesianos; 5. Modelos ocultos de Markov; 6. Campos aleatorios de Markov; 7. Redes bayesianas: representación e inferencia; 8. Redes bayesianas: aprendizaje; 9. Redes bayesianas dinámicas y temporales. III) Modelos de decisión: 10. Gráficos de decisión; 11. Procesos de decisión de Markov; 12. Procesos de decisión de Markov parcialmente observables. IV). Modelos relacionales, causales y profundos: 13. Modelos relacionales probabilísticos gráficos; 14. Modelos gráficos casuales; 15. Descubrimiento casual; 16. Aprendizaje profundo y modelos gráficos. |
|---|---|
| Descripción física: | 1 libro electrónico en línea (XXVIII, 355 p.) 1 recurso en línea |
| Público: | 2021 BO Maestría en Ciencia de Datos |
| ISBN: | 978-3-030-61943-5 |
| Acceso: | Licencias ilimitadas |