Machine learning using approximate inference - ein Angebot gefunden
Aus dem Archiv:
1
Machine learning using approximate inference
EN NW EB
ISBN: 9789176851616 bzw. 9176851613, in Englisch, 39 Seiten, Linköping University Electronic Press, neu, E-Book.
Versandkostenfrei, Download.
Automatic decision making and pattern recognition under uncertainty are difficult tasks that are ubiquitous in our everyday life. The systems we design, and technology we develop, requires us to coherently represent and work with uncertainty in data. Probabilistic models and probabilistic inference gives us a powerful framework for solving this problem. Using this framework, while enticing, results in difficult-to-compute integrals and probabilities when conditioning on the observed data. This means we have a need for approximate inference, methods that solves the problem approximately using a systematic approach. In this thesis we develop new methods for efficient approximate inference in probabilistic models. There are generally two approaches to approximate inference, variational methods and Monte Carlo methods. In Monte Carlo methods we use a large number of random samples to approximate the integral of interest. With variational methods, on the other hand, we turn the integration problem into that of an optimization problem. We develop algorithms of both types and bridge the gap between them. First, we present a self-contained tutorial to the popular sequential Monte Carlo (SMC) class of methods. Next, we propose new algorithms and applications based on SMC for approximate inference in probabilistic graphical models. We derive nested sequential Monte Carlo, a new algorithm particularly well suited for inference in a large class of high-dimensional probabilistic models. Then, inspired by similar ideas we derive interacting particle Markov chain Monte Carlo to make use of parallelization to speed up approximate inference for universal probabilistic programming languages. After that, we show how we can make use of the rejection sampling process when generating gamma distributed random variables to speed up variational inference. Finally, we bridge the gap between SMC and variational methods by developing variational sequential Monte Carlo, a new flexible family of variational approximations.
Automatic decision making and pattern recognition under uncertainty are difficult tasks that are ubiquitous in our everyday life. The systems we design, and technology we develop, requires us to coherently represent and work with uncertainty in data. Probabilistic models and probabilistic inference gives us a powerful framework for solving this problem. Using this framework, while enticing, results in difficult-to-compute integrals and probabilities when conditioning on the observed data. This means we have a need for approximate inference, methods that solves the problem approximately using a systematic approach. In this thesis we develop new methods for efficient approximate inference in probabilistic models. There are generally two approaches to approximate inference, variational methods and Monte Carlo methods. In Monte Carlo methods we use a large number of random samples to approximate the integral of interest. With variational methods, on the other hand, we turn the integration problem into that of an optimization problem. We develop algorithms of both types and bridge the gap between them. First, we present a self-contained tutorial to the popular sequential Monte Carlo (SMC) class of methods. Next, we propose new algorithms and applications based on SMC for approximate inference in probabilistic graphical models. We derive nested sequential Monte Carlo, a new algorithm particularly well suited for inference in a large class of high-dimensional probabilistic models. Then, inspired by similar ideas we derive interacting particle Markov chain Monte Carlo to make use of parallelization to speed up approximate inference for universal probabilistic programming languages. After that, we show how we can make use of the rejection sampling process when generating gamma distributed random variables to speed up variational inference. Finally, we bridge the gap between SMC and variational methods by developing variational sequential Monte Carlo, a new flexible family of variational approximations.
Daten vom 14.12.2022 21:15h
ISBN (andere Schreibweisen): 91-7685-161-3, 978-91-7685-161-6
ISBN (andere Schreibweisen): 91-7685-161-3, 978-91-7685-161-6
Zuerst gefunden: 14.12.2022 21:15:13
Zuletzt gefunden: 14.12.2022 21:15:13
Fundstellen insgesamt: 1
Zuletzt gefunden: 14.12.2022 21:15:13
Fundstellen insgesamt: 1
Momentan keine Suchergebnisse - vielleicht bald lieferbar
Ihre Suche nach ist bei mehr als 100 angebundenen Webshops momentan nicht lieferbar. Wir finden dieses Buch aber trotzdem innerhalb weniger Wochen.
Sie Suchen nach diesem Buch:
Christian Andersson Naesseth: Machine learning using approximate inference
ISBN: 9789176851616
Speichern Sie diese Suche kostenlos in ab, dann werden Sie automatisch benachrichtigt, sobald dieses Buch verfügbar ist. Meistens finden wir dieses Buch innerhalb weniger Wochen und verständigen Sie dann per E-Mail. Sie können dann frei entscheiden, ob Sie das Buch kaufen wollen oder nicht.
Unsere Suchtipps für Ihre Suche:
- Alle Bücher des Autors.: Suche nach "Autor: christian andersson naesseth" liefert mehr Ergebnisse
- Suchen nach Suchbegriffen wie Autor oder Titel des Buches sind erfolgreicher als solche nach der ISBN.: Suche nach "approximate inference learning christian andersson naesseth" liefert mehr Ergebnisse
Sie haben jetzt folgende Möglichkeiten:
- Speichern Sie diese Seite in Ihren Lesezeichen oder Favoriten ab, dann können Sie jederzeit die Suche erneut ausführen.
- Das Buch ist tatsächlich derzeit vergriffen bzw. nicht lieferbar. Es ist z.B. eine Rarität. Möglicherweise ist es aber in einiger Zeit lieferbar. Speichern Sie dazu diese Suche kostenlos ab oder lassen Sie sich kostenlos auf dieses Gerät benachrichten und Sie werden automatisch per E-Mail oder Nachricht informiert, sobald dieses Buch wieder lieferbar wird. Wir sind zuversichtlich, dass wir jedes Buch auf diese Weise innerhalb relativ kurzer Zeit finden. Probieren Sie es einfach aus!
Mich bei neuen Ergebnissen benachrichtigenSuche jetzt kostenlos SpeichernIn 50 Millionen auch bereits vergriffenen Büchern recherchieren!
Anmeldung mit Google:
ODER
Anmeldung mit Facebook:
Lade…