Titre original :
Determinantal Point Processes for Machine Learning
Contenu du livre :
Les processus ponctuels déterminants (PPD) sont d'élégants modèles probabilistes de répulsion qui apparaissent en physique quantique et dans la théorie des matrices aléatoires.
Contrairement aux modèles structurés traditionnels tels que les champs aléatoires de Markov, qui deviennent intraitables et difficiles à approximer en présence de corrélations négatives, les DPP offrent des algorithmes efficaces et exacts pour l'échantillonnage, la marginalisation, le conditionnement et d'autres tâches d'inférence. Bien qu'ils aient été étudiés de manière approfondie par les mathématiciens, donnant lieu à une théorie profonde et magnifique, les PPD sont relativement nouveaux dans le domaine de l'apprentissage automatique.
Determinantal Point Processes for Machine Learning fournit une introduction compréhensible aux PPD, en se concentrant sur les intuitions, les algorithmes et les extensions les plus pertinents pour la communauté de l'apprentissage automatique, et montre comment les PPD peuvent être appliqués à des applications réelles telles que la recherche de divers ensembles de résultats de recherche de haute qualité, la construction de résumés informatifs en sélectionnant diverses phrases dans des documents, la modélisation de poses humaines non chevauchantes dans des images ou des vidéos, et la construction automatique de chronologies d'articles d'actualité importants. Il présente le contexte mathématique général des PPD ainsi qu'une série d'extensions de modélisation, d'algorithmes efficaces et de résultats théoriques qui visent à permettre la modélisation et l'apprentissage pratiques.
Autres informations sur le livre :
| ISBN : | 9781601986283 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2012 |
| Nombre de pages : | 178 |
Achat:
Actuellement disponible, en stock.
