Probabilistic Machine Learning : Advanced Topics /
Contiene: 1) Introducción; 2) Probabilidad; 3) Estadísticas; 4) Modelos gráficos; 5) Teoría de la información; 6) Optimización; 7) Algoritmos de inferencia: una descripción general; 8) Filtrado y suavización gaussiano; 9) Algoritmos de paso de mensajes; 10) Inferencia variacional; 11) Métodos de Mon...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | Englisch |
| Veröffentlicht: |
Cambridge, EUA :
Massachusetts Institute of Technology,
2023, c2023
|
| Schriftenreihe: | (Adaptative Computation and Machine Learning)
|
| Schlagworte: | |
| Tags: |
Keine Tags, Fügen Sie das erste Tag hinzu!
|
| Zusammenfassung: | Contiene: 1) Introducción; 2) Probabilidad; 3) Estadísticas; 4) Modelos gráficos; 5) Teoría de la información; 6) Optimización; 7) Algoritmos de inferencia: una descripción general; 8) Filtrado y suavización gaussiano; 9) Algoritmos de paso de mensajes; 10) Inferencia variacional; 11) Métodos de Montecarlo; 12) Cadena de Markov Montecarlo; 13) Montecarlo secuencial; 14) Modelos predictivos: una visión general; 15) Modelos lineales generalizados; 16) Redes neuronales profundas; 17) Redes neuronales bayesianas; 18) Procesos gaussianos; 19) Más allá del supuesto idd; 20) Modelos generativos: una visión general; 21) Codificadores automáticos variacionales; 22) Modelos autorregresivos; 23) Normalización de flujos; 24) Modelos basados en energía; 25) Modelos de difusión; 26) Redes generativas adversarias; 27) Métodos de descubrimiento: una descripción general; 28) Modelos de factores latentes; 29) Modelos de espacio de estados; 30) Aprendizaje de gráficos; 31) Modelos bayesianos no paramétricos; 32) Aprendizaje de representación; 33) Interpretabilidad; 34) Toma de decisiones bajo incertidumbre; 35) Aprendizaje por esfuerzo; 36) Causalidad. |
|---|---|
| Beschreibung: | XXXI, 1319 p. |
| Zielpublikum: | EEnlace Departamento de Matemáticas y Física 2024 |
| ISBN: | 978-0-262-04843-9 |