Ambos textos exploran modelos gráficos, pero Pearl se centra en las relaciones causales utilizando redes bayesianas como herramienta principal para el razonamiento.
Probabilistic Graphical Models: Principles and Techniques
por Daphne Koller, Nir Friedman · 2009
Ver sugerenciasSinopsis
Este libro proporciona una introducción exhaustiva a los modelos gráficos probabilísticos, un marco para modelar la incertidumbre y las relaciones complejas entre variables mediante el uso de grafos como representación.
Sé el primero en valorar este libro.
Libros similares
Libros relacionados según distintos criterios de búsqueda
Algoritmos para el aprendizaje automático: Introducción a la estadística bayesiana y los modelos gráficos
Kevin P. Murphy
2012·divulgacion
Murphy utiliza modelos gráficos dentro del contexto de algoritmos de aprendizaje automático, integrando la estadística bayesiana de manera exhaustiva como en el libro de referencia.
Wood combina programación con modelos estadísticos, ofreciendo una perspectiva sobre cómo aplicar la inferencia bajo incertidumbre, similar al enfoque gráfico del libro de referencia.
Este libro de Pearl refuerza la idea de inferencia causal mediante modelos gráficos, en un marco que complementa la modelación de incertidumbre presentada por Koller y Friedman.
MacKay conecta teoría de la información con inferencia bayesiana y aprendizaje automático, mostrando la interrelación de estos conceptos a través de modelos probabilísticos como en el libro mencionado.
La obra de MacKay abarca el aprendizaje automático y la inferencia bayesiana, proporcionando un enfoque matemático a la incertidumbre y relaciones entre variables gráficas en sintonía con el texto de referencia.