Книга представляет собой классический учебник по распознаванию образов и машинному обучению. Он содержит подробное описание наиболее важных методов машинного обучения, основанных на байесовском подходе.

Этот современный учебник, представляющий собой всеобъемлющее введение в распознавание образов и машинное обучение. Читателям достаточно знать основы многомерного математического анализа, линейной алгебры и теории вероятностей.

Книга подходит для преподавания курсов по машинному обучению, математической статистике, компьютерным наукам и распознаванию образов. Каждая глава сопровождается многочисленными задачами разного уровня сложности. Учебник предназначен для студентов старших курсов и аспирантов первого года обучения, а также исследователей и практиков, занимающихся распознавание образов и машинным обучением.

Бурное развитие практических приложений машинного обучения за последние десять лет сопровождается интенсивной разработкой важных алгоритмов и методов, лежащих в его основе. Например, байесовские методы перестали быть предметом изучения узких специалистов и стали основным трендом, а графы стали общепринятым инструментом для описания и применения вероятностных методов. Практическое значение байесовских методов все больше усиливается благодаря развитию многочисленных алгоритмов приближенного вывода, таких как вариационный байесовский подход и метод распространения ожидания.

Кроме того, все большее значение для алгоритмов и приложений приобретают новые ядерные модели.

Этот совершенно новый учебник отражает современные достижения распознавания образов и машинного обучения и представляет собой всеобъемлющее введение в эту область. Он предназначен для студентов старших курсов и аспирантов первого года обучения, а также исследователей и практиков. От читателей не требуется предварительных знаний в области распознавания образов и машинного обучения. Достаточно знать основы многомерного математического анализа и линейной алгебры. Опыт применения теории вероятностей желателен, но не обязателен, поскольку книга содержит самостоятельное введение в теорию вероятностей.

Книгу удобно использовать для преподавания курсов по машинному обучению, статистике, компьютерным наукам, интеллектуальному анализу данных и биоинформатике. Для удобства преподавания учебник содержит большой методический материал, включающий более чем 400 упражнений, ранжированных по сложности. Решения некоторых упражнений можно найти на веб-сайте, посвященном книге. Книга сопровождается публикацией большого объема дополнительного материала на веб-сайте, который содержит новейшую информацию.

Об авторе

Кристофер М. Бишоп — заместитель директора лаборатории Microsoft Research Cambridge и заведующий кафедрой компьютерных наук в Эдинбургском университете. Он работает преподавателем в колледже Дарвина Кембриджского университета и недавно был избран членом Королевской инженерной академии. Его предыдущий учебник Neural Networks for Pattern Recognition получил широкое признание.

Том 1

Оглавление книги "Распознавание образов и машинное обучение"

• Предисловие 11
• Математические обозначения 13
• Глава 1. Введение 19
• Глава 2. Распределения вероятностей 105
• Глава 3. Модели линейной регрессии 195
• Глава 4. Линейные модели классификации 247
• Глава 5. Нейронные сети 305
• Глава 6. Ядерные методы 391
• Глава 7. Разреженные ядерные методы 431
• Предметный указатель 475

Том 2

Оглавление книги "Распознавание образов и машинное обучение"

• Глава 8. Графовые модели 11
• Глава 9. Смеси распределений и EM-алгоритм 95
• Глава 10. Приближенный вывод 141
• Глава 11. Выборочные методы 219
• Глава 12. Непрерывные латентные переменные 267
• Глава 13. Последовательные данные 327
• Глава 14. Комбинирование моделей 389
• Приложение A. Наборы данных 419
• Приложение Б. Плотности распределений 427
• Приложение В. Свойства матриц 439
• Приложение Г. Вариационное исчисление 449
• Приложение Д. Множители Лагранжа 453
• Библиография 459
• Предметный указатель 485