Titre original :
Kernel Mean Embedding of Distributions: A Review and Beyond
Contenu du livre :
L'intégration d'une distribution dans un espace de Hilbert - en bref, l'intégration d'une moyenne à noyau - est récemment apparue comme un outil puissant pour l'apprentissage automatique et l'inférence statistique. L'idée de base de ce cadre est de cartographier les distributions dans un espace de Hilbert à noyau reproductible (RKHS) dans lequel tout l'arsenal des méthodes à noyau peut être étendu aux mesures de probabilité.
Il peut être considéré comme une généralisation de la "carte de caractéristiques" originale commune aux machines à vecteurs de support (SVM) et à d'autres méthodes à noyau. Outre les applications classiques des méthodes à noyau, l'intégration de la moyenne du noyau a trouvé de nouvelles applications dans des domaines allant de la modélisation probabiliste à l'inférence statistique, à la découverte de causes et à l'apprentissage profond.
Kernel Mean Embedding of Distributions : A Review and Beyond fournit un examen complet des travaux existants et des avancées récentes dans ce domaine de recherche, et discute de certaines des questions les plus difficiles et des problèmes ouverts qui pourraient potentiellement conduire à de nouvelles directions de recherche. Le public visé comprend les étudiants diplômés et les chercheurs en apprentissage automatique et en statistique qui s'intéressent à la théorie et aux applications de l'intégration de la moyenne des noyaux.
Autres informations sur le livre :
| ISBN : | 9781680832884 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2017 |
| Nombre de pages : | 154 |
Achat:
Actuellement disponible, en stock.
