ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Probabilistic Graphical Models: Principles and Techniques

دانلود کتاب مدلهای گرافیکی احتمالی: اصول و فنون

Probabilistic Graphical Models: Principles and Techniques

مشخصات کتاب

Probabilistic Graphical Models: Principles and Techniques

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان:   
سری: Adaptive Computation and Machine Learning series 
ISBN (شابک) : 0262013193, 9780262013192 
ناشر: The MIT Press 
سال نشر: 2009 
تعداد صفحات: 1270 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 56,000



کلمات کلیدی مربوط به کتاب مدلهای گرافیکی احتمالی: اصول و فنون: هوش و معناشناسی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، تئوری ماشین، هوش مصنوعی و یادگیری ماشین، علم کامپیوتر، کامپیوتر و فناوری، پردازش زبان طبیعی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، بینایی کامپیوتر و تشخیص الگو، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، رباتیک، علوم کامپیوتر، کامپیوتر و فناوری، رباتیک و اتوماسیون، صنعتی، تولید و سیستم‌های عملیاتی، مهندسی، مهندسی و T



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Probabilistic Graphical Models: Principles and Techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مدلهای گرافیکی احتمالی: اصول و فنون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مدلهای گرافیکی احتمالی: اصول و فنون



یک چارچوب کلی برای ساخت و استفاده از مدل‌های احتمالی سیستم‌های پیچیده که رایانه را قادر می‌سازد از اطلاعات موجود برای تصمیم‌گیری استفاده کند.

اکثر وظایف به یک شخص یا یک خودکار نیاز دارند. سیستم به استدلال -- برای رسیدن به نتیجه گیری بر اساس اطلاعات موجود. چارچوب مدل‌های گرافیکی احتمالی، ارائه شده در این کتاب، یک رویکرد کلی برای این کار ارائه می‌کند. این رویکرد مبتنی بر مدل است و به مدل‌های قابل تفسیر اجازه می‌دهد تا با الگوریتم‌های استدلالی دستکاری شوند. این مدل‌ها همچنین می‌توانند به‌طور خودکار از داده‌ها یاد بگیرند، که این امکان را می‌دهد تا در مواردی که ساخت دستی یک مدل دشوار یا حتی غیرممکن است، از این رویکرد استفاده شود. از آنجایی که عدم قطعیت یک جنبه اجتناب ناپذیر از بیشتر کاربردهای دنیای واقعی است، این کتاب بر مدل‌های احتمالی تمرکز می‌کند، که عدم قطعیت را صریح می‌کند و مدل‌هایی را ارائه می‌دهد که به واقعیت وفادارتر هستند.

مدل‌های گرافیکی احتمالی انواع مدل‌ها را مورد بحث قرار می‌دهد که شامل شبکه‌های بیزی، شبکه‌های مارکوف بدون جهت، مدل‌های گسسته و پیوسته، و برنامه‌های افزودنی برای مقابله با سیستم‌های دینامیکی و داده‌های رابطه‌ای است. برای هر دسته از مدل‌ها، متن سه اصل اساسی را شرح می‌دهد: نمایش، استنتاج، و یادگیری، ارائه مفاهیم پایه و تکنیک‌های پیشرفته. در نهایت، کتاب استفاده از چارچوب پیشنهادی را برای استدلال علّی و تصمیم‌گیری در شرایط عدم قطعیت در نظر می‌گیرد. متن اصلی در هر فصل توسعه فنی دقیق ایده های کلیدی را ارائه می دهد. بیشتر فصل‌ها شامل جعبه‌هایی با مواد اضافی هستند: جعبه‌های مهارت، که تکنیک‌ها را توصیف می‌کنند. جعبه های مطالعه موردی، که موارد تجربی مربوط به رویکرد توصیف شده در متن را مورد بحث قرار می دهد، از جمله برنامه های کاربردی در بینایی کامپیوتر، روباتیک، درک زبان طبیعی، و زیست شناسی محاسباتی. و جعبه های مفهومی، که مفاهیم مهمی را ارائه می کنند که از مطالب این فصل استخراج شده است. مربیان (و خوانندگان) می‌توانند فصل‌ها را در ترکیب‌های مختلف، از موضوعات اصلی گرفته تا مطالب فنی پیشرفته‌تر، برای مطابقت با نیازهای خاص خود گروه‌بندی کنند.


توضیحاتی درمورد کتاب به خارجی

A general framework for constructing and using probabilistic models of complex systems that would enable a computer to use available information for making decisions.

Most tasks require a person or an automated system to reason -- to reach conclusions based on available information. The framework of probabilistic graphical models, presented in this book, provides a general approach for this task. The approach is model-based, allowing interpretable models to be constructed and then manipulated by reasoning algorithms. These models can also be learned automatically from data, allowing the approach to be used in cases where manually constructing a model is difficult or even impossible. Because uncertainty is an inescapable aspect of most real-world applications, the book focuses on probabilistic models, which make the uncertainty explicit and provide models that are more faithful to reality.

Probabilistic Graphical Models discusses a variety of models, spanning Bayesian networks, undirected Markov networks, discrete and continuous models, and extensions to deal with dynamical systems and relational data. For each class of models, the text describes the three fundamental cornerstones: representation, inference, and learning, presenting both basic concepts and advanced techniques. Finally, the book considers the use of the proposed framework for causal reasoning and decision making under uncertainty. The main text in each chapter provides the detailed technical development of the key ideas. Most chapters also include boxes with additional material: skill boxes, which describe techniques; case study boxes, which discuss empirical cases related to the approach described in the text, including applications in computer vision, robotics, natural language understanding, and computational biology; and concept boxes, which present significant concepts drawn from the material in the chapter. Instructors (and readers) can group chapters in various combinations, from core topics to more technically advanced material, to suit their particular needs.



فهرست مطالب

Contents......Page 10
Acknowledgments......Page 24
List of Figures......Page 26
List of Algorithms......Page 32
List of Boxes......Page 34
1 Introduction......Page 38
2 Foundations......Page 52
Part I - Representation......Page 80
3 The Bayesian Network Representation......Page 82
4 Undirected Graphical Models......Page 140
5 Local Probabilistic Models......Page 194
6 Template-Based Representations......Page 236
7 Gaussian Network Models......Page 284
8 The Exponential Family......Page 298
Part II - Inference......Page 322
9 Exact Inference: Variable Elimination......Page 324
10 Exact Inference: Clique Trees......Page 382
11 Inference as Optimization......Page 418
12 Particle-Based Approximate Inference......Page 524
13 MAP Inference......Page 588
14 Inference in Hybrid Networks......Page 642
15 Inference in Temporal Models......Page 688
Part III - Learning......Page 732
16 Learning Graphical Models: Overview......Page 734
17 Parameter Estimation......Page 754
18 Structure Learning in Bayesian Networks......Page 820
19 Partially Observed Data......Page 886
20 Learning Undirected Models......Page 980
Part IV - Actions and Decisions......Page 1044
21 Causality......Page 1046
22 Utilities and Decisions......Page 1096
23 Structured Decision Problems......Page 1122
24 Epilogue......Page 1170
Appendix A Background Material......Page 1174
Bibliography......Page 1210
Notation Index......Page 1248
Subject Index......Page 1252




نظرات کاربران