Учебник повышенного типа для научных работников и аспирантов, специализирующихся в области машинного обучения и статистики и желающих глубже познакомиться с глубоким обучением, байесовским выводом, порождающими (генеративными) моделями и принятием решений в условиях неопределенности. Дополняя ранее изданную книгу "Вероятностное машинное обучение. Введение", этот учебник более высокого уровня знакомит научных работников и аспирантов с деталями самых актуальных теорий и методов машинного обучения, включая глубокие порождающие модели, графовые модели, байесовский вывод, обучение с подкреплением и каузальность. В этом томе глубокое обучение излагается в контексте более широкого статистического контекста, а подходы к глубокому обучению унифицированы с подходами к вероятностному моделированию и выводу. Отдельные части книги написаны ведущими исследователями и специалистами в предметной области из таких организаций, как Google, DeepMind, Amazon, университет Пердью, Нью-Йоркский университет и Вашингтонский университет; в частности, по этой причине книга крайне важна для понимания животрепещущих проблем машинного обучения. Рассматривается порождение многомерных выходов, например изображений, текста и графов. Обсуждаются методы проникновения в существо данных, основанные на моделях с латентными величинами. Уделено внимание обучению и тестированию при различных распределениях. Исследуется, как использовать вероятностные модели и вывод для каузального вывода и принятия решений. На сайте книги имеется код на Python.