Hozzávetőleges Bayes-i következtetés

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.

Eredeti címe:

Approximate Bayesian Inference

Könyv tartalma:

A statisztikai következtetésekben rendkívül népszerű Bayes-módszerek a gépi tanulás és a mesterséges intelligencia problémáiban is egyre népszerűbbek. A bayesi becslőket gyakran Monte Carlo-módszerekkel, például a Gibbs-mintavevő Metropolis-Hastings algoritmusával valósítják meg.

Ezek az algoritmusok a pontos utólagos eloszlást célozzák meg. A statisztika számos modern modellje azonban egyszerűen túl bonyolult ahhoz, hogy ilyen módszereket használjunk. A gépi tanulásban a gyakorlatban használt adatok mennyisége miatt a Monte Carlo módszerek túl lassúak ahhoz, hogy hasznosak legyenek.

Másrészt ezek az alkalmazások gyakran nem igénylik a poszterior pontos ismeretét. Ez motiválta az algoritmusok új generációjának kifejlesztését, amelyek elég gyorsak ahhoz, hogy hatalmas adathalmazokat kezeljenek, de gyakran a poszterior közelítését célozzák meg.

Ez a könyv 18, a közelítő bayesi következtetés specialistái által írt kutatási cikket gyűjt össze, és áttekintést nyújt az ezen algoritmusok terén elért legújabb eredményekről. Ide tartoznak az optimalizáláson alapuló módszerek (például a variációs közelítések) és a szimuláción alapuló módszerek (például az ABC- vagy a Monte Carlo-algoritmusok).

A közelítő Bayes-következtetés elméleti aspektusait is tárgyalja, különös tekintettel a PAC-Bayes-határértékekre és a regret-elemzésre. Az asztrofizika, a pénzügyek, az orvosi adatelemzés és a számítógépes látás területén felmerülő kihívást jelentő számítási problémákra vonatkozó alkalmazások is bemutatásra kerülnek.