可扩展的贝叶斯学习的蒙特卡洛方法
原文中文，约300字，阅读约需1分钟。发表于：。这本书旨在提供一个研究生级的介绍，涵盖了马尔可夫链蒙特卡罗算法（MCMC）的高级主题，其广泛应用于贝叶斯计算环境中。它主要涉及到近十年来出现的诸多主题，例如随机梯度 MCMC、不可逆 MCMC、连续时间 MCMC 以及收敛性评估的新技术，这些主题在实践和理论上都取得了重要进展。重点介绍的方法是可扩展的，无论是数据量还是数据维度，这是由机器学习和人工智能领域的新兴高优先级应用所推动的。
本书介绍了马尔可夫链蒙特卡罗算法（MCMC）的高级主题，包括随机梯度MCMC、不可逆MCMC、连续时间MCMC和收敛性评估的新技术。这些方法适用于大数据和高维数据。
