Распознавание образов и машинное обучение

Кристофер М. Бишоп

Pattern Recognition and Machine Learning
Christopher M. Bishop
книга Распознавание образов и машинное обучение
(увеличить обложку)

Где купить книгу

Оглавление
Пролистать книгу

Книга представляет собой классический учебник по распознаванию образов и машинному обучению. Он содержит подробное описание наиболее важных методов машинного обучения, основанных на байесовском подходе.

Этот современный учебник, представляющий собой всеобъемлющее введение в распознавание образов и машинное обучение. Читателям достаточно знать основы многомерного математического анализа, линейной алгебры и теории вероятностей.

Книга подходит для преподавания курсов по машинному обучению, математической статистике, компьютерным наукам и распознаванию образов. Каждая глава сопровождается многочисленными задачами разного уровня сложности. Учебник предназначен для студентов старших курсов и аспирантов первого года обучения, а также исследователей и практиков, занимающихся распознавание образов и машинным обучением.

Бурное развитие практических приложений машинного обучения за последние десять лет сопровождается интенсивной разработкой важных алгоритмов и методов, лежащих в его основе. Например, байесовские методы перестали быть предметом изучения узких специалистов и стали основным трендом, а графы стали общепринятым инструментом для описания и применения вероятностных методов. Практическое значение байесовских методов все больше усиливается благодаря развитию многочисленных алгоритмов приближенного вывода, таких как вариационный байесовский подход и метод распространения ожидания.

Кроме того, все большее значение для алгоритмов и приложений приобретают новые ядерные модели.

Этот совершенно новый учебник отражает современные достижения распознавания образов и машинного обучения и представляет собой всеобъемлющее введение в эту область. Он предназначен для студентов старших курсов и аспирантов первого года обучения, а также исследователей и практиков. От читателей не требуется предварительных знаний в области распознавания образов и машинного обучения. Достаточно знать основы многомерного математического анализа и линейной алгебры. Опыт применения теории вероятностей желателен, но не обязателен, поскольку книга содержит самостоятельное введение в теорию вероятностей.

Книгу удобно использовать для преподавания курсов по машинному обучению, статистике, компьютерным наукам, интеллектуальному анализу данных и биоинформатике. Для удобства преподавания учебник содержит большой методический материал, включающий более чем 400 упражнений, ранжированных по сложности. Решения некоторых упражнений можно найти на веб-сайте, посвященном книге. Книга сопровождается публикацией большого объема дополнительного материала на веб-сайте, который содержит новейшую информацию.

Об авторе

Кристофер М. Бишоп — заместитель директора лаборатории Microsoft Research Cambridge и заведующий кафедрой компьютерных наук в Эдинбургском университете. Он работает преподавателем в колледже Дарвина Кембриджского университета и недавно был избран членом Королевской инженерной академии. Его предыдущий учебник Neural Networks for Pattern Recognition получил широкое признание.

Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.

Все иллюстрации к книге в цветном варианте доступны на сайте издательства по адресу: http://go.dialektika.com/recognition


960, c ил стр., с ил.; ISBN 978-5-907144-55-2, 978-0387-31073-2; формат 70x100/16; твердый переплет; тип бумаги: офсетная; 30.06.2020; Вильямс.



Понравилась книга? Порекомендуйте её друзьям и коллегам:









Оглавление книги "Распознавание образов и машинное обучение"



Предисловие 15
Математические обозначения 17
Глава 1. Введение 23
Глава 2. Распределения вероятностей 109
Глава 3. Модели линейной регрессии 199
Глава 4. Линейные модели классификации 251
Глава 5. Нейронные сети 309
Глава 6. Ядерные методы 395
Глава 7. Разреженные ядерные методы 435
Глава 8. Графовые модели 479
Глава 9. Смеси распределений и EM-алгоритм 563
Глава 10. Приближенный вывод 609
Глава 11. Выборочные методы 687
Глава 12. Непрерывные латентные переменные 735
Глава 13. Последовательные данные 795
Глава 14. Комбинирование моделей 857
Приложение A. Наборы данных 887
Приложение Б. Плотности распределений 895
Приложение В. Свойства матриц 907
Приложение Г. Вариационное исчисление 917
Приложение Д. Множители Лагранжа 921
Библиография 927
Предметный указатель 953


Copyright © 1992-2020 Издательская группа "Диалектика-Вильямс"

Rambler  Top100