Name: Variational Bayesian Learning Theory (en Inglés)
Price: 213.10 USD
Availability: InStock
Author: Nakajima, Shinichi ; Watanabe, Kazuho ; Sugiyama, Masashi
ISBN: 9781107076150

portada Variational Bayesian Learning Theory (en Inglés)

Variational Bayesian Learning Theory (en Inglés)

Formato

Libro Físico

Autor

Shinichi Nakajima

Kazuho Watanabe

Masashi Sugiyama

Editorial

Cambridge University Press

Año

2019

Idioma

Inglés

N° páginas

558

Encuadernación

Tapa Dura

Dimensiones

21.3 x 18.8 x 3.3 cm

Peso

0.91 kg.

ISBN13

9781107076150

N° edición

Categorías

Probabilidad y estadística
Reconocimiento de formas
Visión por ordenador

Variational Bayesian Learning Theory (en Inglés)

Shinichi Nakajima (Autor) · Kazuho Watanabe (Autor) · Masashi Sugiyama (Autor) · Cambridge University Press · Tapa Dura

Libro Nuevo Importado

Envío: 20 a 27 días háb.

$ 355.16$ 213.10

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan más de 100 unidades

$ 213.10

Llega entre el 09 Sep y el 22 Sep a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Variational Bayesian Learning Theory (en Inglés)"

Variational Bayesian learning is one of the most popular methods in machine learning. Designed for researchers and graduate students in machine learning, this book summarizes recent developments in the non-asymptotic and asymptotic theory of variational Bayesian learning and suggests how this theory can be applied in practice. The authors begin by developing a basic framework with a focus on conjugacy, which enables the reader to derive tractable algorithms. Next, it summarizes non-asymptotic theory, which, although limited in application to bilinear models, precisely describes the behavior of the variational Bayesian solution and reveals its sparsity inducing mechanism. Finally, the text summarizes asymptotic theory, which reveals phase transition phenomena depending on the prior setting, thus providing suggestions on how to set hyperparameters for particular purposes. Detailed derivations allow readers to follow along without prior knowledge of the mathematical techniques specific to Bayesian learning.