Bayesian reasoning and machine learning / David Barber.
Material type: TextLanguage: English Publisher: Cambridge, MA : Cambridge University Press, 2015Edition: First. editionDescription: xxiv, 697 páginas : ilustracionesContent type: texto Media type: sin mediación Carrier type: volumenISBN: 9780521518147Subject(s): Aprendizaje por refuerzo (aprendizaje automático) | Computadores -- Inteligencia artificial | Procesamiento de datos -- Interpretación de datosDDC classification: 658.0561Item type | Current library | Collection | Call number | Copy number | Status | Date due | Barcode | Item holds |
---|---|---|---|---|---|---|---|---|
Libros |
Biblioteca CESA
Diagonal 34 A No. 5 A - 23 Casa Incolda PBX: 339 53 00 serviciosbiblioteca@cesa.edu.co |
General | 658.0561 / B234b 2012 (Browse shelf(Opens below)) | Ej.1 | Available | 7101023719 |
Incluye indice.
Incluye referencias bibliográficas.
Preface ; Part I. Inference in Probabilistic Models : 1. Probabilistic reasoning ; 2. Basic graph concepts ; 3. Belief networks ; 4. Graphical models ; 5. Efficient inference in trees ; 6. The junction tree algorithm ; 7. Making decisions ; Part II. Learning in Probabilistic Models : 8. Statistics for machine learning ; 9. Learning as inference ; 10. Naive Bayes ; 11. Learning with hidden variables ; 12. Bayesian model selection ; Part III. Machine Learning : 13. Machine learning concepts ; 14. Nearest neighbour classification ; 15. Unsupervised linear dimension reduction ; 16. Supervised linear dimension reduction ; 17. Linear models ; 18. Bayesian linear models ; 19. Gaussian processes ; 20. Mixture models ; 21. Latent linear models ; 22. Latent ability models ; Part IV. Dynamical Models : 23. Discrete-state Markov models ; 24. Continuous-state Markov models ; 25. Switching linear dynamical systems ; 26. Distributed computation ; Part V. Approximate Inference : 27. Sampling ; 28. Deterministic approximate inference ; Appendix. Background mathematics ; Bibliography ; Index.
El texto presenta métodos de aprendizaje automáticos y extraer el valor de grandes conjuntos de datos de forma rápida y con recursos modestos. el objetivo se establece en herramientas con amplia gama de aplicaciones industriales, incluyendo los motores de búsqueda, la secuenciación de ADN y el análisis de mercado de valores. las personas que conocen los métodos tienen la opción de gratificantes. Este texto va dirigido a los estudiantes de informática con conocimientos matemáticos modestos. Está disenado para estudiantes universitarios de último año y estudiantes de maestría con bases en el álgebra lineal y cálculo. Se desarrolla todo, desde el razonamiento básico de técnicas avanzadas en el marco de modelos gráficos. lol estudiantes aprenden más de técnicas, desarrollan habilidades analíticas y de resolución de problemas que los preparan para el mundo real. Numerosos ejemplos y ejercicios, tanto en equipo basado y teóricas, se incluyen en cada capítulo.
There are no comments on this title.