Книга является вторым томом к книге «Вероятностное машинное обучение. Дополнительные темы основания, вывод» Дополняя ранее изданную книгу «Вероятностное машинное обучение. Введение», этот классический труд знакомит читателя с деталями самых актуальных теорий и методов машинного обучения, включая глубокие порождающие модели, графовые модели, байесовский вывод, обучение с подкреплением и причинность. Глубокое обучение излагается в контексте более широкого статистического контекста, а подходы к глубокому обучению унифицированы с подходами к вероятностному моделированию и выводу. Основные темы: • предсказательные и обобщенные линейные модели; • глубокие и байесовские нейронные сети; • вариационные автокодировщики; • порождающие и диффузионые модели; • порождающие состязательные сети; • модели латентных факторов и пространства состояний; • принятие решений в условиях неопределенности; • обучение с подкреплением; • каузальность. Отдельные части книги написаны ведущими исследователями и специалистами в предметной области из таких компаний, как Google, DeepMind, Amazon, университет Пердью, Нью-Йоркский и Вашингтонский университеты; в частности, по этой причине книга крайне важна для понимания животрепещущих проблем машинного обучения. Кэвин Патрик Мэрфи получил степень бакалавра в Кэмбридже, Англия, и продолжил образование в США (магистр технических наук в Пенсильванском университете, доктор в Калифорнийском университете в Беркли, постдокторантура в МТИ). В 2004 году занял должность профессора информатики и статистики в Университете Британской Колумбии в Ванкувере. Работает в отделении Google в Маунтин-Вью, где занимается искусственным интеллектом, машинным обучением, компьютерным зрением и пониманием текстов на естественном языке.