Avis des lecteurs
Résumé:Le livre « Modèles graphiques probabilistes » est une ressource complète et approfondie pour ceux qui s'intéressent à la théorie des modèles graphiques probabilistes et des réseaux bayésiens. Il est bien structuré et offre une exploration approfondie du sujet. Bien qu'il offre un contenu de haute qualité et qu'il soit recommandé aux apprenants avancés, sa verbosité, sa complexité et les défis posés par les formats numériques ont suscité des critiques mitigées.
Avantages:Couverture complète des modèles graphiques probabilistes, bien structuré et clairement écrit, offre des perspectives profondes et des liens avec la littérature existante, adapté à la référence et à l'utilisation en classe, comprend un cours en ligne de soutien, et fournit de nombreux exemples.
Inconvénients:N'est pas adapté aux débutants ; nécessite de solides connaissances en statistiques et en apprentissage automatique, style d'écriture verbeux, organisation confuse et manque de clarté dans les explications, problèmes avec le format Kindle entraînant une mauvaise navigation, et quelques erreurs typographiques.
(basé sur 66 avis de lecteurs)
Titre original :
Probabilistic Graphical Models: Principles and Techniques
Contenu du livre :
Un cadre général pour la construction et l'utilisation de modèles probabilistes de systèmes complexes qui permettraient à un ordinateur d'utiliser les informations disponibles pour prendre des décisions.
La plupart des tâches exigent d'une personne ou d'un système automatisé qu'il raisonne, c'est-à-dire qu'il tire des conclusions sur la base des informations disponibles. Le cadre des modèles graphiques probabilistes, présenté dans ce livre, fournit une approche générale pour cette tâche. L'approche est basée sur des modèles, ce qui permet de construire des modèles interprétables qui sont ensuite manipulés par des algorithmes de raisonnement. Ces modèles peuvent également être appris automatiquement à partir de données, ce qui permet d'utiliser l'approche dans les cas où la construction manuelle d'un modèle est difficile, voire impossible. L'incertitude étant un aspect inéluctable de la plupart des applications du monde réel, le livre se concentre sur les modèles probabilistes, qui rendent l'incertitude explicite et fournissent des modèles plus fidèles à la réalité.
Les modèles graphiques probabilistes traitent d'une variété de modèles, couvrant les réseaux bayésiens, les réseaux de Markov non dirigés, les modèles discrets et continus, et les extensions pour traiter les systèmes dynamiques et les données relationnelles. Pour chaque classe de modèles, le texte décrit les trois pierres angulaires fondamentales : la représentation, l'inférence et l'apprentissage, en présentant à la fois les concepts de base et les techniques avancées. Enfin, le livre examine l'utilisation du cadre proposé pour le raisonnement causal et la prise de décision dans l'incertitude. Le texte principal de chaque chapitre fournit le développement technique détaillé des idées clés. La plupart des chapitres comprennent également des encadrés contenant des informations supplémentaires : des encadrés sur les compétences, qui décrivent des techniques ; des encadrés sur des études de cas, qui traitent de cas empiriques liés à l'approche décrite dans le texte, y compris des applications en vision par ordinateur, en robotique, en compréhension du langage naturel et en biologie informatique ; et des encadrés sur les concepts, qui présentent des concepts significatifs tirés de la matière du chapitre. Les enseignants (et les lecteurs) peuvent regrouper les chapitres selon différentes combinaisons, des sujets de base aux sujets plus avancés sur le plan technique, afin de répondre à leurs besoins particuliers.
Autres informations sur le livre :
| ISBN : | 9780262013192 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2009 |
| Nombre de pages : | 1270 |
Achat:
Actuellement disponible, en stock.
