机读格式显示(MARC)

• 000 01922nam0 2200397 450

• 001 0000543299

• 005 20150909083200.0

• 010 __ |a 978-7-302-37134-2 |b 精装 |d CNY198.00

• 099 __ |a CAL 012015052475

• 100 __ |a 20150505d2015 ekmy0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a a a 001yy

• 106 __ |a r

• 200 1_ |a 概率图模型 |A gai lv tu mo xing |e 原理与技术 |f (美) Daphne Koller, (以) Nir Friedman著 |g 王飞跃, 韩素青译

• 210 __ |a 北京 |c 清华大学出版社 |d 2015

• 215 __ |a 44, 1208页 |c 图 |d 24cm

• 300 __ |a 国家自然科学基金项目支持 编号 : 61273294

• 305 __ |a 据原书2009年英文版译出

• 306 __ |a 由MIT Press授权清华大学出版社出版

• 312 __ |a 英文题名取自版权页

• 314 __ |a 责任者Koller规范汉译姓: 科勒 ; 责任者Friedman规范汉译姓: 弗里德曼

• 320 __ |a 有书目 (第1155-1190页) 和索引

• 330 __ |a 本书详细论述了有向图模型（又称贝叶斯网）和无向图模型（又称马尔可夫网）的表示、推理和学习问题，全面总结了人工智能这一前沿研究领域的最新进展。为了便于读者理解，书中包含了大量的定义、定理、证明、算法及其伪代码，穿插了大量的辅助材料，如示例（examples）、技巧专栏（skill boxes）、实例专栏（case study boxes）、概念专栏（concept boxes）等。另外，在第2章介绍了概率论和图论的核心知识，在附录中介绍了信息论、算法复杂性、组合优化等补充材料，为学习和运用概率图模型提供了完备的基础。

• 333 __ |a 本书可作为高等学校和科研单位从事人工智能、机器学习、模式识别、信号处理等方向的学生、教师和研究人员的教材和参考书。

• 500 10 |a Probabilistic graphical models : principles and techniques |m Chinese

• 517 1_ |a 原理与技术 |A yuan li yu ji shu

• 606 0_ |a 概率论 |A gai lv lun |x 数学模型

• 690 __ |a O211 |v 5

• 701 _1 |a 科勒 |A ke le |g (Koller, Daphne) |4 著

• 701 _1 |a 弗里德曼 |A fu li de man |g (Friedman, Nir) |4 著

• 702 _0 |a 王飞跃 |A wang fei yue |4 译

• 702 _0 |a 韩素青 |A han su qing |4 译

• 801 _0 |a CN |b NJU |c 20150506

• 905 __ |a SCNU |f O211/2030

• 920 __ |a 242430 |z 1