Învățare Automată: De la Clasice la Rețele Adânci, Transformatoare și Modele de Difuzie, a Treia Ediție începe cu elementele de bază, inclusiv regresia prin pătrate minime și metodele de verosimilitate maximă, teoria decizională bayesiană, regresia logisctică și arborii decizionali. Apoi avansează către tehnici mai recente, acoperind metodele de modelare rară, învățarea în spații Hilbert cu nuclee reproducătoare și mașinile cu vectori suport.
Învățarea bayesiană este tratată în detaliu cu accent pe algoritmul EM și versiunile sale variationale aproximative, concentrându-se pe modelarea mixturii, regresie și clasificare. De asemenea, sunt prezentate învățarea bayesiană neparametrică, inclusiv procesele Gaussiene, restaurantul chinezesc și bufetul indian.
Metodele Monte Carlo, filtrarea particulelor, modelele grafice probabilistice cu accent pe rețelele bayesiene și modelele Markov ascunse sunt tratate în detaliu. Reducerea dimensionalității și modelarea variabilelor latente sunt considerate în profunzime. Rețelele neuronale și învățarea profundă sunt prezentate pe larg, începând cu regula perceptronului și perceptronii multilayer, continuând cu rețelele neuronale convoluționale și recurente, învățarea adversarială, rețelele capsulelor, rețelele de credință adâncă, GAN-uri și VAE-uri.
Cartea acoperă, de asemenea, fundamentele estimării parametrilor statistici și algoritmilor de optimizare.
Concentrându-se pe raționamentul fizic din spatele matematicii, fără a sacrifica rigoarea, toate metodele și tehnicile sunt explicate în profunzime, susținute de exemple și probleme, oferind o resursă inestimabilă pentru studenți și cercetători în înțelegerea și aplicarea conceptelor de învățare automată.
Pagini: 1200, Dimensiuni: 19.1x19.1cm
