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.
Все иллюстрации к книге в цветном варианте доступны на сайте издательства по адресу: http://go.dialektika.com/recognition
Книга рассчитана на студентов старших курсов, аспирантов, инженеров и научных сотрудников, занятых в области теоретической и технической кибернетики, программистов. Она будет также интересна специалистам по теории вероятностей, математической статистике, биоинформатике и пр.
Автор книги "Распознавание образов и машинное обучение" Кристофер М. Бишоп, директор лаборатории Microsoft Research Cambridge, предоставляет в книге алгоритмы вывода, с помощью которых можно быстро найти ответы в ситуации, когда точные ответы невозможны.
Оглавление 1 тома
Предисловие 11
Математические обозначения 13
Глава 1. Введение 19
Глава 2. Распределения вероятностей 105
Глава 3. Модели линейной регрессии 195
Глава 4. Линейные модели классификации 247
Глава 5. Нейронные сети 305
Глава 6. Ядерные методы 391
Глава 7. Разреженные ядерные методы 431
Предметный указатель 475
