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...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Book |
| Language: | English |
| Published: |
Londres, Inglaterra :
Springer,
2021, c2021
|
| Edition: | 2a edición |
| Series: | (Advances in Computer Vision and Pattern Recognition)
|
| Subjects: | |
| Online Access: | Ver documento en línea |
| Tags: |
No Tags, Be the first to tag this record!
|
MARC
| LEADER | 00000nam^a2200000^a^4500 | ||
|---|---|---|---|
| 001 | 000441008 | ||
| 005 | 20251023000000.0 | ||
| 009 | 20260310123350.16 | ||
| 020 | |a 978-3-030-61943-5 | ||
| 037 | |a Acervo ITESO - Biblioteca | ||
| 041 | |a ING | ||
| 082 | |a 519. 23 |b SUC | ||
| 100 | |a Sucar, Luis Enrique |e (autor) | ||
| 245 | 1 | 0 | |a Probabilistic Graphical Models : |b Principles and Aplications / |c L.E. Sucar ; pról. de A.E. Nicholson. |
| 250 | |a 2a edición | ||
| 264 | 4 | |a Londres, Inglaterra : |b Springer, |c 2021, c2021 | |
| 264 | 2 | |a Cham, Suiza : |b Springer Link [distribución], |c 2021, c2021 | |
| 300 | |a 1 libro electrónico en línea (XXVIII, 355 p.) | ||
| 300 | |a 1 recurso en línea | ||
| 336 | |a datos para computadora |b cod |2 rdacontenido | ||
| 337 | |a computadora |b c |2 rdamedio | ||
| 338 | |a recurso en línea |b cr |2 rdasoporte | ||
| 440 | 1 | |a (Advances in Computer Vision and Pattern Recognition) | |
| 506 | 0 | |a Licencias ilimitadas | |
| 520 | |a 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. | ||
| 521 | |a 2021 BO Maestría en Ciencia de Datos | ||
| 649 | |a XX | ||
| 650 | |a Aprendizaje Automático (Inteligencia Artificial) | ||
| 650 | |a Inteligencia Artificial | ||
| 650 | |a Proceso de Datos | ||
| 650 | |a Métodos Gráficos | ||
| 650 | |a Modelos Matemáticos - |x Tema Principal | ||
| 650 | |a Toma de Decisiones - |x Teoría | ||
| 650 | |a Estadística Bayesiana | ||
| 650 | |a Estadística | ||
| 650 | |a Probabilidad - |x Tema Principal | ||
| 650 | |a Matemáticas | ||
| 700 | |a Nicholson, Ann E. |e (prólogo) | ||
| 856 | 4 | 0 | |u https://link-springer-com.ezproxy.iteso.mx/10.1007/978-3-030-61943-5 |y Ver documento en línea |
| 910 | |a Fondo General | ||
| 920 | |a Electrónicos - Libros en Línea | ||
| 930 | |a Plataforma Digital | ||
| 905 | |a 205 | ||
| 901 | |a 441008-1 |b IT2 |c EBO |i C177983 |u 20250521 | ||
| 902 | |a https://opac.biblio.iteso.mx/vufind/Record/000441008 | ||