The minimum description length principle pdf

Peter Grünwald dirige el grupo de aprendizaje automático en CWI en Ámsterdam, Países Bajos. También es profesor titular de Aprendizaje Estadístico en el instituto de matemáticas de la Universidad de Leiden. Actualmente presidente de la Association for Computational Learning, la organización que dirige COLT, la principal conferencia anual mundial sobre teoría del aprendizaje automático, fue coprograma de COLT en 2015 y también presidió la UAI, otra importante conferencia de ML, en 2010/2011. Además de publicar en lugares de ML como NIPS, COLT y UAI, también colabora con regularidad en revistas de estadística como Annals of Statistics. Es el autor del libro The Minimum Description Length Principle, (MIT Press, 2007; ver aquí una introducción actualizada (2020), mucho más corta), que se ha convertido en la referencia estándar para el enfoque MDL para el aprendizaje. En 2010 fue galardonado con el premio Van Dantzig, el premio holandés más importante en estadística e investigación de operaciones. Recibió becas NWO VIDI (2005), VICI (2010) y TOP-1 (2016).

The minimum description length principle pdf por Peter Grünwald

The minimum description length (MDL) principle is a powerful method of inductive inference, the basis of statistical modeling, pattern recognition, and machine learning. It holds that the best explanation, given a limited set of observed data, is the one that permits the greatest compression of the data. MDL methods are particularly well-suited for dealing with model selection, prediction, and estimation problems in situations where the models under consideration can be arbitrarily complex, and overfitting the data is a serious concern. This extensive, step-by-step introduction to the MDL Principle provides a comprehensive reference (with an emphasis on conceptual issues) that is accessible to graduate students and researchers in statistics, pattern classification, machine learning, and data mining, to philosophers interested in the foundations of statistics, and to researchers in other applied sciences that involve model selection, including biology, econometrics, and experimental psychology. Part I provides a basic introduction to MDL and an overview of the concepts in statistics and information theory needed to understand MDL. Part II treats universal coding, the information-theoretic notion on which MDL is built, and part III gives a formal treatment of MDL theory as a theory of inductive inference based on universal coding. Part IV provides a comprehensive overview of the statistical theory of exponential families with an emphasis on their information-theoretic properties. The text includes a number of summaries, paragraphs offering the reader a "fast track" through the material, and boxes highlighting the most important concepts.