Probabilistic Machine Learning

Un tratado moderno y exhaustivo que conecta el machine learning clásico con la perspectiva probabilística actual.

ÁreaAprendizaje por Refuerzo y Temas Avanzados
TemaMachine Learning Probabilístico
NivelAvanzado
Publicación2022

Autor(es): Kevin P. Murphy

Versión gratuita disponible

¿Qué puedes lograr leyendo este libro?

  • Entender prácticamente todo el machine learning moderno (clásico y deep learning) desde una perspectiva probabilística unificada
  • Conectar modelos aparentemente distintos (regresión, redes neuronales, modelos gráficos) bajo un mismo marco matemático
  • Usar el libro como referencia enciclopédica actualizada de casi cualquier tema de ML

Descripción

Sucesor del influyente 'Machine Learning: A Probabilistic Perspective' del mismo autor, esta obra en dos volúmenes ('Introduction' y 'Advanced Topics') actualiza la cobertura para incluir deep learning moderno, siempre desde una perspectiva probabilística rigurosa y unificadora, siendo una de las referencias más completas y actuales del campo.

Para quién es ideal

  • Quien ya domina los fundamentos de ML y quiere una perspectiva probabilística unificadora y actualizada
  • Investigadores que necesitan una referencia enciclopédica moderna de ML
  • Complemento actualizado a Pattern Recognition and Machine Learning de Bishop
  • Consulta de temas avanzados específicos con notación consistente entre capítulos

Contenido destacado

  • Fundamentos probabilísticos aplicados a ML moderno
  • Modelos lineales generalizados y aprendizaje bayesiano
  • Deep learning desde una perspectiva probabilística
  • Modelos gráficos y de variables latentes
  • Temas avanzados: aprendizaje por refuerzo, causalidad, modelos generativos

Ventajas y limitaciones

Ventajas

  • Borrador disponible gratis online mientras se refina la edición impresa
  • Cobertura excepcionalmente amplia y actualizada, incluyendo deep learning moderno
  • Perspectiva probabilística consistente que unifica temas normalmente tratados por separado

Limitaciones

  • Extremadamente denso y extenso, mejor como referencia que como lectura lineal
  • Requiere una base sólida y previa en probabilidad y ML antes de abordarlo

Libros relacionados