Імовірнісне машинне навчання. Додаткові теми: підстави, висновок

Книга є другим томом до книги "Ймовірнісне машинне навчання. Додаткові теми: підстави, висновок".

Доповнюючи раніше видану книгу "Вероятностное машинное обучение. Вступ", ця класична праця знайомить читача з деталями найактуальніших теорій і методів машинного навчання, включно з глибокими породжувальними моделями, графовими моделями, байєсівським висновком, навчанням з підкріпленням і причинністю. Глибоке навчання викладається в контексті ширшого статистичного контексту, а підходи до глибокого навчання уніфіковано з підходами до ймовірнісного моделювання та виведення.

Основні теми:

• передбачувальні та узагальнені лінійні моделі;
• глибокі та байєсівські нейронні мережі;
• варіаційні автокодувальники;
• породжувальні та дифузійні моделі;
• породжувальні змагальні мережі;
• моделі латентних факторів і простору станів;
• ухвалення рішень в умовах невизначеності;
• навчання з підкріпленням;
• каузальність.

Окремі частини книги написані провідними дослідниками і фахівцями в предметній області з таких компаній, як Google, DeepMind, Amazon, університет Пердью, Нью-Йоркський і Вашингтонський університети; зокрема, з цієї причини книга вкрай важлива для розуміння нагальних проблем машинного навчання.

Кевін Патрік Мерфі здобув ступінь бакалавра в Кембриджі, Англія, і продовжив освіту в США (магістр технічних наук у Пенсільванському університеті, доктор у Каліфорнійському університеті в Берклі, постдокторантура в МТІ). У 2004 році обійняв посаду професора інформатики і статистики в Університеті Британської Колумбії у Ванкувері. Працює у відділенні Google в Маунтін-В'ю, де займається штучним інтелектом, машинним навчанням, комп'ютерним зором і розумінням текстів природною мовою.