Monte Carlo Methods
Autor Adrian Barbu, Song-Chun Zhuen Limba Engleză Hardback – 25 feb 2020
Notăm cu interes apariția primei ediții a lucrării Monte Carlo Methods, un volum care își propune să elimine barierele disciplinare dintre statistică și informatică. Remarcăm structura riguroasă a celor 11 capitole, care ghidează cititorul de la fundamentele metodelor Monte Carlo către tehnici de ultimă oră, precum Data Driven MCMC sau cartografierea peisajelor energetice (Energy Landscape Mapping). Subliniem faptul că autorii, Adrian Barbu și Song-Chun Zhu, au integrat în această ediție din 2020 secțiuni esențiale despre Hamiltonian Monte Carlo și Stochastic Gradient Descent, reflectând astfel nevoile computaționale actuale din cercetare.
Progresia materialului este logică, debutând cu metodele secvențiale și algoritmii Metropolis-Hastings, pentru ca în capitolele finale să abordeze convergența și învățarea automată. Comparabil cu Stochastic Methods in Scientific Computing de Massimo D'Elia în rigurozitate, volumul de față este însă actualizat specific pentru aplicații în domenii precum Computer Vision și robotică, oferind o perspectivă mai aplicată asupra modului în care eșantionarea poate optimiza algoritmii de inteligență artificială. Față de Monte Carlo Statistical Methods de Christian Robert, care rămâne un text de referință în statistică, lucrarea de față pune un accent mai mare pe implementarea inginerească și pe provocările datelor de mari dimensiuni.
Această monografie se distinge prin echilibrul dintre teorie și exemple practice, fiecare capitol fiind susținut de aplicații care demonstrează utilitatea matematicii în rezolvarea problemelor reale. Este o resursă care completează portofoliul autorului Adrian Barbu, demonstrând o tranziție de la explorările conceptuale din lucrările sale anterioare către o abordare tehnică, menită să servească drept suport de curs pentru nivelul masteral și doctoral.
Preț: 751.38 lei
Preț vechi: 916.32 lei
-18%
Carte disponibilă
Livrare economică 02-16 mai
Livrare express 21-25 aprilie pentru 53.47 lei
Specificații
ISBN-10: 9811329702
Pagini: 440
Ilustrații: XVI, 422 p. 250 illus., 185 illus. in color.
Dimensiuni: 173 x 246 x 28 mm
Greutate: 1 kg
Ediția:1st ed. 2020
Editura: Springer
Locul publicării:Singapore, Singapore
De ce să citești această carte
Recomandăm această carte cercetătorilor și studenților de la master care doresc să stăpânească tehnicile moderne de simulare și optimizare. Cititorul câștigă o înțelegere profundă a algoritmilor MCMC și a metodelor de gradient stocastic, instrumente indispensabile astăzi în Machine Learning și IA. Este un ghid practic ce transformă teoria statistică în soluții computaționale eficiente pentru proiecte complexe de inginerie.
Despre autor
Adrian Barbu este un cercetător recunoscut, a cărui activitate se concentrează pe intersecția dintre statistică, viziune artificială și învățare automată. În lucrarea Monte Carlo Methods, acesta colaborează cu Song-Chun Zhu pentru a sintetiza decenii de cercetare în algoritmi stocastici. Barbu este cunoscut și pentru scrieri cu o notă mai personală, precum From Zero to Infinity and Back, însă în acest volum adoptă rigoarea academică specifică editurii Springer, oferind o bază teoretică solidă pentru inginerii și informaticienii care dezvoltă sisteme inteligente moderne.
Cuprins
Recenzii
“True to its goal, the text offers a comprehensive overview on Monte Carlo methods. … this text is a quality reference for researchers interested in computer vision, computer graphics, machine learning, artificial intelligence and related fields.” (Grant Innerst, MAA Reviews, July18, 2021)
Notă biografică
Song-Chun Zhu received his PhD degree in Computer Science from Harvard University in 1996. He is currently a professor of Statistics and Computer Science, and director of the Center for Vision, Learning, Cognition and Autonomy, at the University of California, Los Angeles. His main research interest has been in pursuing a unified statistical and computational framework for vision and intelligence, which includes the Spatial, Temporal and Causal And-Or graph (STC-AOG) as a unified representation and numerous Monte Carlo methods for inference and learning. He has published over 200 papers in the areas of computer vision, statistical learning, cognition, AI, and robot autonomy. He has received a number of honors, including the David Marr Prize in 2003 for image parsing, and twice Marr Prize honorary nominations in 1999 for texture modeling and in 2007 for object modeling. In 2008 he received the J.K. Aggarwal Prize from the Intl. Association of Pattern Recognition for “contributions to a unified foundation for visual pattern conceptualization, modeling, learning, and inference”. In 2013 he received the Helmholtz Test-of-Time Prize for a paper on image segmentation. He has been a fellow of IEEE Computer Society since 2011, and the principal investigator leading several ONR MURI and DARPA teams working on scene and event understanding and cognitive robots under a unified mathematical framework.