Вероятностное машинное обучение. Дополнительные темы: основания, вывод

Книга является вторым томом к книге "Вероятностное машинное обучение. Дополнительные темы: основания, вывод".

Дополняя ранее изданную книгу «Вероятностное машинное обучение. Введение», этот классический труд знакомит читателя с деталями самых актуальных теорий и методов машинного обучения, включая глубокие порождающие модели, графовые модели, байесовский вывод, обучение с подкреплением и причинность. Глубокое обучение излагается в контексте более широкого статистического контекста, а подходы к глубокому обучению унифицированы с подходами к вероятностному моделированию и выводу.

Основные темы:

• предсказательные и обобщенные линейные модели;
• глубокие и байесовские нейронные сети;
• вариационные автокодировщики;
• порождающие и диффузионые модели;
• порождающие состязательные сети;
• модели латентных факторов и пространства состояний;
• принятие решений в условиях неопределенности;
• обучение с подкреплением;
• каузальность.

Отдельные части книги написаны ведущими исследователями и специалистами в предметной области из таких компаний, как Google, DeepMind, Amazon, университет Пердью, Нью-Йоркский и Вашингтонский университеты; в частности, по этой причине книга крайне важна для понимания животрепещущих проблем машинного обучения.

Кэвин Патрик Мэрфи получил степень бакалавра в Кэмбридже, Англия, и продолжил образование в США (магистр технических наук в Пенсильванском университете, доктор в Калифорнийском университете в Беркли, постдокторантура в МТИ). В 2004 году занял должность профессора информатики и статистики в Университете Британской Колумбии в Ванкувере. Работает в отделении Google в Маунтин-Вью, где занимается искусственным интеллектом, машинным обучением, компьютерным зрением и пониманием текстов на естественном языке.