Machine learning : a probabilistic perspective/ Kevin P. Murphy
Tipo de material: TextoSeries Adaptive computation and machine learning seriesEditor: Cambridge, MA : MIT Press, c2012Descripción: xxix, 1067 páginas : ilustracionesTipo de contenido: texto Tipo de medio: no mediado Tipo de portador: volumenISBN: 9780262018029Tema(s): PROBABILIDADES | APRENDIZAJE MECANICOClasificación CDD: 006.31Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
---|---|---|---|---|---|---|---|
Libro General | Biblioteca Campus San Joaquín | Colección General | 006.31 M978 (Navegar estantería(Abre debajo)) | 1 | Disponible | 35609002083257 | |
Libro General | Biblioteca Central | Colección General | 006.31 M978 (Navegar estantería(Abre debajo)) | 1 | Prestado | 31/03/2022 | 3560900222931 |
Libro General | Biblioteca Central | Colección General | 006.31 M978 (Navegar estantería(Abre debajo)) | 2 | Disponible | 3560900222929 | |
Libro General | Biblioteca Central | Colección General | 006.31 M978 (Navegar estantería(Abre debajo)) | 3 | Prestado | 31/03/2022 | 3560900222204 |
Libro General | Biblioteca Central | Colección General | 006.31 M978 (Navegar estantería(Abre debajo)) | 4 | Prestado | 31/03/2022 | 3560900222206 |
Navegando Biblioteca Central Estantes, Ubicación: Colección General, Código de colección: Colección General Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
1. Introduction -- 2. Probability -- 3. Generative models -- 4. Gaussian models -- 5. Bayesian statistics -- 6. Frequentist statistics -- 7. linear regression -- 8. Logistic regression -- 9. Generalized linear models and the exponential family -- 10. Directed graphical models (bayes nets) -- 11. Mixture models and the EM algorithm -- 12. Latent linear models -- 13. Sparse linear models -- 14.- Kernels -- 15. Gaussians processes -- 16. Adaptative basis function models -- 17. Markov and hidden markov models -- 18. State space models -- 19. Undirected graphical models (markov random fields) -- 20. Exact inference for graphical models -- 21. Variational inference -- 22. More variational inference -- 23. Monte Carlo inference -- 24. Markov chain Monte Carlo (MCMC) inference -- 25. Clustering -- 26. Graphical model structure learning -- 27. Latent variable models for discrete data -- 28. Deep learning.-