EUR 80,76
  • Alle Preisangaben inkl. MwSt.
Nur noch 4 auf Lager (mehr ist unterwegs).
Verkauf und Versand durch Amazon.
Geschenkverpackung verfügbar.
Menge:1
Probabilistic Graphical M... ist in Ihrem Einkaufwagen hinzugefügt worden
Ihren Artikel jetzt
eintauschen und
EUR 29,89 Gutschein erhalten.
Möchten Sie verkaufen?
Zur Rückseite klappen Zur Vorderseite klappen
Anhören Wird wiedergegeben... Angehalten   Sie hören eine Probe der Audible-Audioausgabe.
Weitere Informationen
Alle 2 Bilder anzeigen

Probabilistic Graphical Models: Principles and Techniques (Adaptive Computation and Machine Learning) (Englisch) Gebundene Ausgabe – 16. November 2009


Alle 2 Formate und Ausgaben anzeigen Andere Formate und Ausgaben ausblenden
Amazon-Preis Neu ab Gebraucht ab
Kindle Edition
"Bitte wiederholen"
Gebundene Ausgabe
"Bitte wiederholen"
EUR 80,76
EUR 80,76 EUR 85,53
47 neu ab EUR 80,76 3 gebraucht ab EUR 85,53

Wird oft zusammen gekauft

Probabilistic Graphical Models: Principles and Techniques (Adaptive Computation and Machine Learning) + Machine Learning: A Probabilistic Perspective (Adaptive computation and machine learning.) + Pattern Recognition and Machine Learning (Information Science and Statistics)
Preis für alle drei: EUR 240,76

Die ausgewählten Artikel zusammen kaufen
Jeder kann Kindle Bücher lesen — selbst ohne ein Kindle-Gerät — mit der KOSTENFREIEN Kindle App für Smartphones, Tablets und Computer.

Produktinformation

  • Gebundene Ausgabe: 1208 Seiten
  • Verlag: The MIT Press; Auflage: 1. (16. November 2009)
  • Sprache: Englisch
  • ISBN-10: 0262013193
  • ISBN-13: 978-0262013192
  • Größe und/oder Gewicht: 20,3 x 4,3 x 22,9 cm
  • Durchschnittliche Kundenbewertung: 5.0 von 5 Sternen  Alle Rezensionen anzeigen (3 Kundenrezensionen)
  • Amazon Bestseller-Rang: Nr. 19.770 in Fremdsprachige Bücher (Siehe Top 100 in Fremdsprachige Bücher)

Mehr über die Autoren

Entdecken Sie Bücher, lesen Sie über Autoren und mehr

Produktbeschreibungen

Pressestimmen

"This landmark book provides a very extensive coverage of the field, ranging from basic representational issues to the latest techniques for approximate inference and learning. As such, it is likely to become a definitive reference for all those who work in this area. Detailed worked examples and case studies also make the book accessible to students."--Kevin Murphy, Department of Computer Science, University of British Columbia

Über den Autor und weitere Mitwirkende

Daphne Koller is Professor in the Department of Computer Science at Stanford University. Nir Friedman is Professor in the Department of Computer Science and Engineering at Hebrew University.

Welche anderen Artikel kaufen Kunden, nachdem sie diesen Artikel angesehen haben?


In diesem Buch (Mehr dazu)
Ausgewählte Seiten ansehen
Buchdeckel | Copyright | Inhaltsverzeichnis | Auszug | Stichwortverzeichnis
Hier reinlesen und suchen:

Kundenrezensionen

5.0 von 5 Sternen
5 Sterne
3
4 Sterne
0
3 Sterne
0
2 Sterne
0
1 Sterne
0
Alle 3 Kundenrezensionen anzeigen
Sagen Sie Ihre Meinung zu diesem Artikel

Die hilfreichsten Kundenrezensionen

5 von 5 Kunden fanden die folgende Rezension hilfreich Von ClausVonDerKueste am 29. Oktober 2012
Format: Kindle Edition Verifizierter Kauf
PGMs sind 'die' Erfolgsstory der KI. Einer der bekanntesten Protagonisten ist J.Pearl, der Preisträger des Turing Award 2011. Pearl "erfand" vor 1988 eine spezielle Variante der PGM, die als Bayesian Belief Networks (BBN) bekannt wurden. Die Einsatzgebiete reichen vom Bau von Assistenzsystemen über Bildverarbeitung bis hin zu Anwendungen in der Genetik und Robotik ("Google-car" von Sebastian Thrun). Es gibt eine Menge guter Bücher über PGM und BBN, darunter auch zwei, die von Pearl selbst geschrieben wurden. Jedoch die umfassendste und klarste Darstellung der Domäne gelang anhand vieler Beispiele Daphne Koller auf 1233 Seiten. Es werden im Teil I gerichtete (BBN) und ungerichtete PGM (Markov Nets) und der Modellbau mit Schablonen (Template Models) präsentiert. Teil II behandelt exakte und approximative Inferenzmethoden. Teil III ist dem Lernen der Parameter und der Modellstruktur gewidmet. Teil IV hat den Titel "Actions and Decisions". Dahinter verbergen sich Kapitel über die Repräsentation von Kausalitäten mittels sogenannter "Twin Networks" sowie Einflussstrukturen mittels "Influence Diagrams". Ich will jetzt hier nicht im Einzelnen auf die Inhalte eingehen. Aber soviel kann man sagen, dass diese Inhalte viele andere modische Inhalte der KI wohltuend überdauert haben und in anderen Wissenschaften (von Kognitionswissenschaft bis hin zur Elektrotechnik) rezipiert werden.
Wer nicht die Zeit hat, das Buch von A-Z durchzuarbeiten, der sollte sich die gleichnamige kostenlose eLearning-Vorlesung von Daphne Koller auf coursera.org ansehen und durcharbeiten. In 11 Wochen werden die wichtigsten Inhalte des Buches durchgeackert. Dabei ist es günstig, das Buch als begleitendes Nachschlagewerk neben dem Lernrechner zur Verfügung zu haben.
Lesen Sie weiter... ›
Kommentar War diese Rezension für Sie hilfreich? Ja Nein Feedback senden...
Vielen Dank für Ihr Feedback. Wenn diese Rezension unangemessen ist, informieren Sie uns bitte darüber.
Wir konnten Ihre Stimmabgabe leider nicht speichern. Bitte erneut versuchen
Format: Gebundene Ausgabe Verifizierter Kauf
This book provides a perfect overview over statistical graphical models. It is perfectly organized and the chapters are well written and relatively easy to understand. Depending on how deep you want to dive into it, it is quickly possible to just read the chapter introduction and get a broad overview about the topic or to work yourself through the chapters in depth. The only little drawback is that the book focuses mainly on directed graphical models. The undirected graphical models are also addressed, but not as exhausive as the directed ones.
Kommentar War diese Rezension für Sie hilfreich? Ja Nein Feedback senden...
Vielen Dank für Ihr Feedback. Wenn diese Rezension unangemessen ist, informieren Sie uns bitte darüber.
Wir konnten Ihre Stimmabgabe leider nicht speichern. Bitte erneut versuchen
Von Klaus Schaefers am 5. April 2014
Format: Gebundene Ausgabe
Das Buch vermittelt die relativ komplexen Inhalt sehr gut und anschaulich. In Kombination mit dem Coursera Kurs eine super Kombination.
Kommentar War diese Rezension für Sie hilfreich? Ja Nein Feedback senden...
Vielen Dank für Ihr Feedback. Wenn diese Rezension unangemessen ist, informieren Sie uns bitte darüber.
Wir konnten Ihre Stimmabgabe leider nicht speichern. Bitte erneut versuchen

Die hilfreichsten Kundenrezensionen auf Amazon.com (beta)

Amazon.com: 27 Rezensionen
24 von 25 Kunden fanden die folgende Rezension hilfreich
Probably the best book for the topic, hard to read with Kindle app on Ipad 23. September 2012
Von S. Arikan - Veröffentlicht auf Amazon.com
Format: Gebundene Ausgabe
If you're trying to learn probabilistic graphical models on your own, this is the best book you can buy.
The introduction to fundamental probabilistic concepts is better than most probability books out there and the rest of the book has the same quality and in-depth approach. References, discussions and examples are all chosen so that you can take this book as the centre of your learning and make a jump to more detailed treatment of any topic using other resources.

Another huge plus is Professor Daphne Koller's online course material. Her course for probabilistic models is available online, and watching the videos alongside the book really helps sometimes.

If you have a strong mathematical background, you may find the book a little bit too pedagogic for your taste, but if you're looking for a single resource to learn the topic on your own, then this book is what you need.

The only problem with it is that it is a big book to carry around, and if you buy the Kindle edition for the iPad, you'll have to zoom into pages to read comfortably(or maybe I have bad eye sight), and Kindle app on iPad does not keep the zoom level across pages. So my experience is, zoom, pan, read, change page, zoom, pan, go back to previous page to see something, zoom, pan... You get the idea. I'd gladly pay more for a pdf version which I could read with other software on the iPad. Even though my reading experience has been a bit unpleasant due to Kindle app, the book deserves five stars, since it is the content that matters.
74 von 89 Kunden fanden die folgende Rezension hilfreich
Brilliant Tome on Graphical Representation, Reasoning and Machine Learning 24. März 2010
Von Dr. Kasumu Salawu - Veröffentlicht auf Amazon.com
Format: Gebundene Ausgabe
Stanford professor, Daphne Koller, and her co-author, Professor Nir Friedman, employed graphical models to motivate thoroughgoing explorations of representation, inference and learning in both Bayesian networks and Markov networks. They do their own bidding at the book's web page, [...], by giving readers a panoramic view of the book in an introductory chapter and a Table of Contents. On the same page, there is a link to an extensive Errata file which lists all the known errors and corrections made in subsequent printings of the book - all the corrections had been incorporated into the copy I have. The authors painstakingly provided necessary background materials from both probability theory and graph theory in the second chapter. Furthermore, in an Appendix, more tutorials are offered on information theory, algorithms and combinatorial optimization. This book is an authoritative extension of Professor Judea Pearl's seminal work on developing the Bayesian Networks framework for causal reasoning and decision making under uncertainty. Before this book was published, I sent an e-mail to Professor Koller requesting some clarification of her paper on object-oriented Bayesian networks; she was most generous in writing an elaborate reply with deliberate speed.
9 von 10 Kunden fanden die folgende Rezension hilfreich
used for Coursera PGM course 1. Februar 2013
Von catwings - Veröffentlicht auf Amazon.com
Format: Gebundene Ausgabe Verifizierter Kauf
I bought this book to use for the Coursera course on PGM taught by the author. It was essential to being able to follow the course. I would not say that it is an easy book to pick up and learn from. It was a good reference to use to get more details on the topics covered in the lectures.
30 von 41 Kunden fanden die folgende Rezension hilfreich
A comprehensive and tutorial introduction to the subject 26. Oktober 2009
Von spikedlatte - Veröffentlicht auf Amazon.com
Format: Gebundene Ausgabe Verifizierter Kauf
I have read this book in bits and pieces and find it extremely useful. Finally, we got a book that can be used in classroom settings. There are some typos (hence four stars) that will hopefully get fixed in the future editions. The book also has a lot of new insights to offer that can only be gleaned from the vast existing literature on the topic with excruciating labor. Agreed that this book is pricey but for what it has to offer, I think it was money well spent.
3 von 3 Kunden fanden die folgende Rezension hilfreich
The best way to learn about graphical models 2. April 2014
Von Ian Goodfellow - Veröffentlicht auf Amazon.com
Format: Kindle Edition Verifizierter Kauf
This was the book that really got me into AI research. Clearly written and detailed. I especially like that variational inference is taught using discrete variables so you don't need to learn both variational inference and calculus of variations at the same time.
Waren diese Rezensionen hilfreich? Wir wollen von Ihnen hören.