Probabilistic Graphical Models : Principles and Applications / Luis Enrique Sucar.
Tipo de material:
TextoLenguaje original: Inglés Series Advances in Computer Vision and Pattern RecognitionDetalles de publicación: Cham, Switzerland : Springer, 2021Edición: 2nd edDescripción: xxviii, 355 p. : il. ; col. ; fot. ; col. ; graf. ; col. ; 24 cmISBN: 9783030619459; 9783030619435 (ebook)Tema(s): Estadística matemática | Inteligencia artificial | Reconocimiento de patrones | Probabilidades | Ingeniería eléctricaClasificación LoC:QA76 | S82 2021Resumen: Esta nueva edición completamente actualizada de un libro de texto/referencia de acceso exclusivo proporciona una introducción general a los modelos gráficos probabilísticos (PGM) desde una perspectiva de ingeniería. Presenta material nuevo sobre procesos de decisión de Markov parcialmente observables, modelos gráficos causales, descubrimiento causal y aprendizaje profundo, así como un número aún mayor de ejercicios; también incorpora una biblioteca de software para varios modelos gráficos en Python.
El libro cubre los fundamentos de cada una de las clases principales de PGM, incluidos los principios de representación, inferencia y aprendizaje, y revisa las aplicaciones del mundo real para cada tipo de modelo. Estas aplicaciones provienen de una amplia gama de disciplinas, destacando los múltiples usos de los clasificadores bayesianos, los modelos ocultos de Markov, las redes bayesianas, las redes bayesianas dinámicas y temporales, los campos aleatorios de Markov, los diagramas de influencia y los procesos de decisión de Markov.
| Tipo de ítem | Biblioteca actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Libro
|
Biblioteca Central Ensenada | Acervo General | QA76 S82 2021 (Browse shelf(Abre debajo)) | 1 | Disponible | ENS097615 |
Incluye referencias bibliográficas e índice.
Esta nueva edición completamente actualizada de un libro de texto/referencia de acceso exclusivo proporciona una introducción general a los modelos gráficos probabilísticos (PGM) desde una perspectiva de ingeniería. Presenta material nuevo sobre procesos de decisión de Markov parcialmente observables, modelos gráficos causales, descubrimiento causal y aprendizaje profundo, así como un número aún mayor de ejercicios; también incorpora una biblioteca de software para varios modelos gráficos en Python.
El libro cubre los fundamentos de cada una de las clases principales de PGM, incluidos los principios de representación, inferencia y aprendizaje, y revisa las aplicaciones del mundo real para cada tipo de modelo. Estas aplicaciones provienen de una amplia gama de disciplinas, destacando los múltiples usos de los clasificadores bayesianos, los modelos ocultos de Markov, las redes bayesianas, las redes bayesianas dinámicas y temporales, los campos aleatorios de Markov, los diagramas de influencia y los procesos de decisión de Markov.
Inglés.
