Cantitate/Preț
Produs
Total produse
Vezi coșul
Bayesian Reasoning and Machine Learning de David Barber

Bayesian Reasoning and Machine Learning

Autor David Barber
en Limba Engleză Hardback – 12 mar 2012

Resursele software, în special pachetul de instrumente MATLAB care însoțește volumul, transformă Bayesian Reasoning and Machine Learning dintr-un manual teoretic într-un instrument de lucru aplicat. Considerăm că forța acestui volum rezidă în capacitatea de a face metodele complexe de învățare automată accesibile studenților care nu dețin un doctorat în matematică. Ne-a atras atenția modul în care David Barber utilizează modelele grafice pentru a oferi o structură coerentă întregului domeniu, facilitând tranziția de la raționamentul de bază la tehnici avansate de inferență.

Abordarea diferă de cea din Pattern Recognition and Machine Learning de Christopher M. Bishop prin faptul că este mai puțin abstractă și mult mai orientată către implementarea practică, fiind special concepută pentru cei care doresc să dezvolte abilități de rezolvare a problemelor reale imediat. În timp ce alte lucrări pot fi dense din punct de vedere formal, textul de față menține un echilibru riguros, dar accesibil, integrând 260 de exerciții care ghidează cititorul prin procesul de învățare.

Structura cărții este una progresivă, fiind împărțită în cinci secțiuni logice: începe cu bazele inferenței în modelele probabilistice, continuă cu învățarea în aceste modele și conceptele fundamentale de machine learning, explorând apoi modelele dinamice și, în final, metodele de inferență aproximativă. Această organizare permite o parcurgere sistematică, unde fiecare capitol construiește pe fundația celui anterior. În contextul operei sale, acest titlu reprezintă o extensie naturală a expertizei autorului, completând viziunea sa asupra analizei datelor, așa cum este prezentată și în Bayesian Time Series Models, dar cu o aplicabilitate mult mai largă în inteligența artificială modernă.

Citește tot Restrânge

Preț: 51036 lei

Preț vechi: 63794 lei
-20%

Puncte Express: 766

Carte disponibilă

Livrare economică 05-19 mai
Livrare express 21-25 aprilie pentru 7585 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9780521518147
ISBN-10: 0521518148
Pagini: 735
Ilustrații: 287 b/w illus. 1 table 260 exercises
Dimensiuni: 175 x 250 x 44 mm
Greutate: 1.72 kg
Editura: Cambridge University Press
Locul publicării:Cambridge, United Kingdom

De ce să citești această carte

Recomandăm această carte oricărui programator sau student care dorește să înțeleagă logica din spatele algoritmilor de machine learning fără a se pierde în demonstrații matematice excesive. Câștigați o înțelegere profundă a modelelor grafice și a metodelor bayesiene, susținută de exerciții practice și un toolbox MATLAB care vă permite să aplicați imediat conceptele învățate în proiecte de cercetare sau aplicații industriale.

Despre autor

David Barber este un cercetător recunoscut în domeniul informaticii și inteligenței artificiale, cu o expertiză vastă în metodele bayesiene și modelele probabilistice. În cariera sa academică, s-a concentrat pe dezvoltarea unor cadre de învățare automată care să fie atât riguroase, cât și aplicabile în scenarii de calcul complexe. Lucrarea sa, Bayesian Reasoning and Machine Learning, publicată de Cambridge University Press, a devenit un text de referință în universități, fiind apreciată pentru claritatea pedagogică. Expertiza sa este reflectată și în alte contribuții importante, precum Bayesian Time Series Models, unde explorează tehnici de ultimă oră pentru analiza datelor temporale.

Descriere scurtă

Machine learning methods extract value from vast data sets quickly and with modest resources. They are established tools in a wide range of industrial applications, including search engines, DNA sequencing, stock market analysis, and robot locomotion, and their use is spreading rapidly. People who know the methods have their choice of rewarding jobs. This hands-on text opens these opportunities to computer science students with modest mathematical backgrounds. It is designed for final-year undergraduates and master's students with limited background in linear algebra and calculus. Comprehensive and coherent, it develops everything from basic reasoning to advanced techniques within the framework of graphical models. Students learn more than a menu of techniques, they develop analytical and problem-solving skills that equip them for the real world. Numerous examples and exercises, both computer based and theoretical, are included in every chapter. Resources for students and instructors, including a MATLAB toolbox, are available online.

Cuprins

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.

Recenzii

'This book is an exciting addition to the literature on machine learning and graphical models. What makes it unique and interesting is that it provides a unified treatment of machine learning and related fields through graphical models, a framework of growing importance and popularity. Another feature of this book lies in its smooth transition from traditional artificial intelligence to modern machine learning. The book is well-written and truly pleasant to read. I believe that it will appeal to students and researchers with or without a solid mathematical background.' Zheng-Hua Tan, Aalborg University, Denmark
'With approachable text, examples, exercises, guidelines for teachers, a MATLAB toolbox and an accompanying website, Bayesian Reasoning and Machine Learning by David Barber provides everything needed for your machine learning course. Only students not included.' Jaakko Hollmén, Aalto University
'The chapters on graphical models form one of the clearest and most concise presentations I have seen … The exposition throughout uses numerous diagrams and examples, and the book comes with an extensive software toolbox - these will be immensely helpful for students and educators. It's also a great resource for self-study.' Arindam Banerjee, University of Minnesota
'I repeatedly get unsolicited comments from my students that the contents of this book have been very valuable in developing their understanding of machine learning … My students praise this book because it is both coherent and practical, and because it makes fewer assumptions regarding the reader's statistical knowledge and confidence than many books in the field.' Amos Storkey, University of Edinburgh

Descriere

A practical introduction perfect for final-year undergraduate and graduate students without a solid background in linear algebra and calculus.