Bewertung:
Das Buch „Probabilistic Graphical Models“ ist ein umfassendes und tiefgehendes Werk für alle, die sich für die Theorie probabilistischer grafischer Modelle und Bayes'scher Netzwerke interessieren. Es ist gut strukturiert und bietet eine gründliche Erkundung des Themas. Während es qualitativ hochwertige Inhalte liefert und für fortgeschrittene Lernende empfohlen wird, haben seine Ausführlichkeit, seine Komplexität und die Herausforderungen in digitalen Formaten gemischte Kritiken hervorgerufen.
Vorteile:Umfassende Abdeckung probabilistischer grafischer Modelle, gut strukturiert und klar geschrieben, bietet tiefe Einblicke und Verbindungen zu bestehender Literatur, geeignet als Nachschlagewerk und für den Einsatz im Unterricht, enthält einen unterstützenden Online-Kurs und bietet viele Beispiele.
Nachteile:Nicht anfängerfreundlich; erfordert einen starken Hintergrund in Statistik und maschinellem Lernen, ausführlicher Schreibstil, etwas verwirrende Organisation und mangelnde Klarheit in den Erklärungen, Probleme mit dem Kindle-Format, die zu schlechter Navigation führen, und einige typographische Fehler.
(basierend auf 66 Leserbewertungen)
Probabilistic Graphical Models: Principles and Techniques
Ein allgemeiner Rahmen für die Konstruktion und Verwendung probabilistischer Modelle komplexer Systeme, die es einem Computer ermöglichen, verfügbare Informationen für Entscheidungen zu nutzen.
Die meisten Aufgaben erfordern, dass ein Mensch oder ein automatisiertes System schlussfolgert, d. h. auf der Grundlage der verfügbaren Informationen Schlussfolgerungen zieht. Der Rahmen probabilistischer grafischer Modelle, der in diesem Buch vorgestellt wird, bietet einen allgemeinen Ansatz für diese Aufgabe. Es handelt sich um einen modellbasierten Ansatz, der es ermöglicht, interpretierbare Modelle zu konstruieren, die dann von Schlussfolgerungsalgorithmen bearbeitet werden können. Diese Modelle können auch automatisch aus Daten erlernt werden, so dass der Ansatz in Fällen verwendet werden kann, in denen die manuelle Konstruktion eines Modells schwierig oder sogar unmöglich ist. Da Ungewissheit ein unausweichlicher Aspekt der meisten realen Anwendungen ist, konzentriert sich das Buch auf probabilistische Modelle, die die Ungewissheit explizit machen und Modelle liefern, die der Realität besser entsprechen.
Probabilistische grafische Modelle behandelt eine Vielzahl von Modellen, darunter Bayes'sche Netze, ungerichtete Markov-Netze, diskrete und kontinuierliche Modelle sowie Erweiterungen für dynamische Systeme und relationale Daten. Für jede Klasse von Modellen beschreibt der Text die drei grundlegenden Eckpfeiler: Repräsentation, Inferenz und Lernen, wobei sowohl grundlegende Konzepte als auch fortgeschrittene Techniken vorgestellt werden. Abschließend wird die Verwendung des vorgeschlagenen Rahmens für kausale Schlussfolgerungen und Entscheidungsfindung unter Unsicherheit erörtert. Der Haupttext eines jeden Kapitels enthält die detaillierte technische Entwicklung der Schlüsselideen. Die meisten Kapitel enthalten außerdem Kästen mit zusätzlichem Material: Kompetenzkästen, in denen Techniken beschrieben werden; Fallstudienkästen, in denen empirische Fälle erörtert werden, die mit dem im Text beschriebenen Ansatz zusammenhängen, einschließlich Anwendungen in den Bereichen Computer Vision, Robotik, natürliches Sprachverständnis und Computerbiologie; und Konzeptkästen, in denen wichtige Konzepte aus dem Material des Kapitels vorgestellt werden. Dozenten (und Leser) können die Kapitel in verschiedenen Kombinationen gruppieren, von Kernthemen bis hin zu technisch fortgeschrittenem Material, um ihren speziellen Bedürfnissen gerecht zu werden.
| ISBN: | 9780262013192 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2009 |
| Seitenzahl: | 1270 |
Derzeit verfügbar, auf Lager.
