Cantitate/Preț
Produs
Total produse
Vezi coșul
Probabilistic Graphical Models de Daphne Koller

Probabilistic Graphical Models: Probabilistic Graphical Models

Autor Daphne Koller, Nir Friedman
en Limba Engleză Hardback – 31 iul 2009

Considerăm Probabilistic Graphical Models o lucrare fundamentală prin modul în care integrează interdisciplinaritatea, conectând statistica și informatica cu aplicații practice în robotică, procesarea limbajului natural și biologia computațională. Această sinteză robustă oferă un cadru general pentru construirea modelelor complexe care permit sistemelor automatizate să ia decizii sub incertitudine, un aspect inerent realității cotidiene. Abordarea este una bazată pe model, ceea ce facilitează crearea unor structuri interpretabile care pot fi manipulate prin algoritmi de raționament sau învățate automat din date. Structura volumului, publicat de MIT Press Ltd, este remarcabilă prin rigoare și claritate, fiind organizată în jurul a trei piloni: reprezentare, inferență și învățare. Apreciem în mod deosebit includerea „casetelor de competențe” și a studiilor de caz care ancorează teoria în probleme empirice. Această ediție extinsă reprezintă o alternativă tehnică solidă la Bayesian Networks and Decision Graphs pentru cursurile de inteligență artificială, având avantajul unei acoperiri mult mai vaste a rețelelor Markov nedirecționate și a sistemelor dinamice. Poziționată în contextul operei autorului, această carte extinde conceptele explorate de Daphne Koller în Introduction to Statistical Relational Learning. Dacă lucrarea anterioară se concentra pe o nișă emergentă a învățării statistice, volumul de față sistematizează întregul domeniu al modelelor grafice, devenind textul de referință pentru orice curriculum academic avansat. Ritmul este dens, specific unui manual universitar de peste 1200 de pagini, dar modularitatea capitolelor permite o parcurgere selectivă în funcție de specializarea dorită.

Citește tot Restrânge

Preț: 73952 lei

Preț vechi: 92271 lei
-20%

Puncte Express: 1109

Carte disponibilă

Livrare economică 26 mai-02 iunie
Livrare express 09-15 mai pentru 13943 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9780262013192
ISBN-10: 0262013193
Pagini: 1270
Dimensiuni: 209 x 236 x 50 mm
Greutate: 2.23 kg
Editura: MIT Press Ltd
Colecția Probabilistic Graphical Models
Seria Probabilistic Graphical Models

De ce să citești această carte

Această carte este resursa definitivă pentru cercetătorii și studenții care doresc să stăpânească raționamentul probabilistic în sisteme complexe. Cititorul câștigă o înțelegere profundă a modului în care incertitudinea poate fi modelată matematic pentru a genera decizii autonome. Este un instrument esențial pentru cei care lucrează în machine learning, oferind atât fundamentul teoretic, cât și tehnici aplicabile în viziune artificială sau bioinformatică.

Despre autor

Daphne Koller este profesor în cadrul Departamentului de Informatică de la Universitatea Stanford și o figură centrală în domeniul inteligenței artificiale. Expertiza sa acoperă învățarea automată, modelarea probabilistică și aplicațiile acestora în științele vieții. A fost recunoscută pentru contribuțiile sale inovatoare în reprezentarea cunoașterii și raționament sub incertitudine, fiind co-fondatoare a unor inițiative majore în educația online. Lucrările sale, inclusiv colaborările cu Nir Friedman, au pus bazele teoretice pentru multe dintre tehnologiile actuale de analiză a datelor complexe.

Descriere scurtă

A general framework for constructing and using probabilistic models of complex systems that would enable a computer to use available information for making decisions. Most tasks require a person or an automated system to reason—to reach conclusions based on available information. The framework of probabilistic graphical models, presented in this book, provides a general approach for this task. The approach is model-based, allowing interpretable models to be constructed and then manipulated by reasoning algorithms. These models can also be learned automatically from data, allowing the approach to be used in cases where manually constructing a model is difficult or even impossible. Because uncertainty is an inescapable aspect of most real-world applications, the book focuses on probabilistic models, which make the uncertainty explicit and provide models that are more faithful to reality.
Probabilistic Graphical Models discusses a variety of models, spanning Bayesian networks, undirected Markov networks, discrete and continuous models, and extensions to deal with dynamical systems and relational data. For each class of models, the text describes the three fundamental cornerstones: representation, inference, and learning, presenting both basic concepts and advanced techniques. Finally, the book considers the use of the proposed framework for causal reasoning and decision making under uncertainty. The main text in each chapter provides the detailed technical development of the key ideas. Most chapters also include boxes with additional material: skill boxes, which describe techniques; case study boxes, which discuss empirical cases related to the approach described in the text, including applications in computer vision, robotics, natural language understanding, and computational biology; and concept boxes, which present significant concepts drawn from the material in the chapter. Instructors (and readers) can group chapters in various combinations, from core topics to more technically advanced material, to suit their particular needs.