As redes neurais modernas deixaram de ser apenas modelos determinísticos. Em aplicações críticas, compreender e quantificar a incerteza tornou-se tão importante quanto obter previsões precisas. É justamente esse universo que este livro explora, reunindo fundamentos matemáticos rigorosos e técnicas contemporâneas da Inteligência Artificial.
A obra apresenta uma abordagem aprofundada sobre probabilidade, processos estocásticos, inferência Bayesiana, cadeias de Markov, métodos MCMC, cálculo de Itô, equações diferenciais estocásticas e geometria da informação, estabelecendo a base necessária para entender como a aleatoriedade pode ser utilizada para tornar modelos de aprendizado mais robustos e confiáveis.
Além dos fundamentos, o conteúdo avança para temas atuais como Autoencoders Variacionais (VAEs), Modelos de Difusão (DDPM), Latent Diffusion, Flow Matching, Processos Gaussianos, Redes Bayesianas, Aprendizado por Reforço Estocástico, Transformers probabilísticos e modelos gráficos causais. O livro também inclui implementações práticas em Python, exercícios resolvidos e uma discussão sobre aplicações, limitações e as fronteiras da computação neuromórfica.
É uma leitura voltada para estudantes, pesquisadores e profissionais que desejam compreender, em profundidade, os princípios matemáticos e computacionais que sustentam a nova geração de algoritmos de Inteligência Artificial probabilística.
| Number of Pages | 320 |
| Edition | 1 (2026) |
| Language | Portuguese |
Do you have complaints about this book? Send an email to [email protected]
Click Login to leave your comment on the book.