Вероятностные графовые модели

1.450 ₽

Автор: Луис Энрике Сукар
Название: Вероятностные графовые модели
Формат: PDF
Тема: IT
Количество страниц: 340
Качество: Компьютерное, издательское

В настоящее время вероятностные графовые модели широко распростра-
нены как мощная и вполне сформировавшаяся методика для выполнения
умозаключений и выводов в условиях неопределенности. В отличие от
некоторых узкоспециализированных методик, применявшихся в ранних
экспертных системах, вероятностные графовые модели основаны на строгих
математических принципах теории графов и теории вероятностей. Эта книга
на современном уровне охватывает более широкий диапазон вероятностных
графовых моделей, чем другие недавно опубликованные материалы в данной
области: разнообразные классификаторы, скрытые марковские модели, мар-
ковские случайные поля, байесовские сети и их динамические, временные и
причинно-следственные варианты, реляционные вероятностные графовые
модели, графы решений и марковский процесс принятия решений. В кни-
ге представлены эти вероятностные графовые модели и соответствующие
методы логического вывода и обучения в ясном и доступном стиле. Автор
делится своим богатым опытом, накопленным в процессе активной практи-
ческой работы в области использования вероятностных графовых моделей, и
демонстрирует примеры их применения в разнообразных областях реальной
деятельности: от биоинформатики до задач наблюдения за загрязнением
воздуха и распознавания объектов.
Книга предназначена для студентов старших курсов и аспирантов, а также
для ученых-исследователей и инженеров-практиков, работающих в других
отраслях и интересующихся применением вероятностных моделей

Категории: Электронные книги, Веб-дизайн и программирование

Описание
Отзывы (0)

Описание

«Вероятностные графовые модели» — фундаментальная книга, которая объединяет теорию вероятностей, машинное обучение и графовые структуры. В ней подробно разбирается, как представлять сложные распределения вероятностей в виде графов, делать выводы и обучать модели на больших данных.

Автор последовательно объясняет байесовские сети, марковские случайные поля, факторные графы, алгоритмы точного и приближённого вывода (belief propagation, junction tree, variational inference, MCMC), а также задачи обучения параметров и структуры. Книга сочетает математическую строгость с практическими примерами из компьютерного зрения, обработки естественного языка и биоинформатики.

студентам и аспирантам, изучающим машинное обучение и искусственный интеллект
практикующим data scientist и ML-инженерам, которые хотят глубже понимать современные вероятностные методы
исследователям, работающим с графовыми нейронными сетями и байесовским выводом
специалистам, которым нужны математически обоснованные модели вместо «чёрных ящиков»