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...
Salvato in:
| Autore principale: | |
|---|---|
| Natura: | Libro |
| Lingua: | inglese |
| Pubblicazione: |
Cambridge, EUA :
Massachusetts Institute of Technology,
2023, c2023
|
| Serie: | (Adaptative Computation and Machine Learning)
|
| Soggetti: | |
| Tags: |
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
MARC
| LEADER | 00000nam^a2200000^a^4500 | ||
|---|---|---|---|
| 001 | 000583141 | ||
| 005 | 20250521000000.0 | ||
| 009 | 20260310132644.997 | ||
| 020 | |a 978-0-262-04843-9 | ||
| 037 | |a Acervo ITESO - Biblioteca | ||
| 041 | |a ING | ||
| 082 | |a 006. 31 |b MUR | ||
| 100 | |a Murphy, Kevin P. |e (autor) | ||
| 245 | 1 | 0 | |a Probabilistic Machine Learning : |b Advanced Topics / |c K.P. Murphy. |
| 264 | 4 | |a Cambridge, EUA : |b Massachusetts Institute of Technology, |c 2023, c2023 | |
| 300 | |a XXXI, 1319 p. | ||
| 336 | |a texto |b txt |2 rdacontenido | ||
| 337 | |a sin mediación |b n |2 rdamedio | ||
| 338 | |a volumen |b nc |2 rdasoporte | ||
| 440 | 1 | |a (Adaptative Computation and Machine Learning) | |
| 520 | |a 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. | ||
| 521 | |a EEnlace Departamento de Matemáticas y Física 2024 | ||
| 649 | |a XX | ||
| 650 | |a Toma de Decisiones - |x Modelos Matemáticos | ||
| 650 | |a Inferencia Bayesiana | ||
| 650 | |a Redes Neurales | ||
| 650 | |a Modelos Predictivos | ||
| 650 | |a Procesos de Markov | ||
| 650 | |a Método de Montecarlo | ||
| 650 | |a Aprendizaje Automático (Inteligencia Artificial) - |x Tema Principal | ||
| 650 | |a Inteligencia Artificial | ||
| 650 | |a Algoritmos Computacionales | ||
| 650 | |a Ingeniería Computacional | ||
| 650 | |a Algoritmos - |x Tema Principal | ||
| 650 | |a Autómatas Matemáticos - |x Teoría | ||
| 650 | |a Modelos Matemáticos - |x Tema Principal | ||
| 650 | |a Probabilidad | ||
| 650 | |a Matemáticas | ||
| 910 | |a Fondo General | ||
| 920 | |a Impresos - Libros | ||
| 930 | |a Colección General | ||
| 905 | |a 101 | ||
| 901 | |a 0500407232 |b IT1 |c ACC |i C185717 |u 20250521 | ||
| 902 | |a https://opac.biblio.iteso.mx/vufind/Record/000583141 | ||