دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Ildikó Flesch, Peter J.F. Lucas (auth.), Peter Lucas Dr., José A. Gámez Dr., Antonio Salmerón Dr. (eds.) سری: Studies in Fuzziness and Soft Computing 214 ISBN (شابک) : 9783540689942, 9783540689966 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2007 تعداد صفحات: 394 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 18 مگابایت
کلمات کلیدی مربوط به کتاب پیشرفت در مدل های گرافیکی احتمالی: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Advances in Probabilistic Graphical Models 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 پیشرفت در مدل های گرافیکی احتمالی 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.
در سالهای اخیر پیشرفت قابلتوجهی در زمینه مدلهای گرافیکی
احتمالی، بهویژه شبکههای بیزی و نمودارهای تأثیر، صورت گرفته
است. مدلهای گرافیکی احتمالی در حوزه عدم قطعیت در هوش مصنوعی
به جریان اصلی تبدیل شدهاند؛
مشارکت در این حوزه از علوم کامپیوتر، ریاضیات، آمار و مهندسی
است.
این کتاب با دقت ویرایش شده در یک جلد گرد هم میآید. برخی از
مهمترین موضوعات پژوهش حاضر در مدلسازی گرافیکی احتمالی،
یادگیری از دادهها و استنتاج احتمالی است. این شامل موضوعاتی
مانند توصیف استقلال مشروط
، حساسیت توزیع احتمال اساسی یک شبکه بیزی به تغییرات در
پارامترهای آن، یادگیری مدلهای گرافیکی با متغیرهای پنهان و
پسوندهای فرمالیسم نمودار نفوذ است. علاوه بر این، توجه به
زمینه های کاربردی مهم مدل های گرافیکی احتمالی، مانند کنترل
وسایل نقلیه، بیوانفورماتیک و پزشکی معطوف شده است.
In recent years considerable progress has been made in the
area of probabilistic graphical models, in particular
Bayesian networks and influence diagrams. Probabilistic
graphical models have become mainstream in the area of
uncertainty in artificial intelligence;
contributions to the area are coming from computer science,
mathematics, statistics and engineering.
This carefully edited book brings together in one volume some
of the most important topics of current research in
probabilistic graphical modelling, learning from data and
probabilistic inference. This includes topics such as the
characterisation of conditional
independence, the sensitivity of the underlying probability
distribution of a Bayesian network to variation in its
parameters, the learning of graphical models with latent
variables and extensions to the influence diagram formalism.
In addition, attention is given to important application
fields of probabilistic graphical models, such as the control
of vehicles, bioinformatics and medicine.
Front Matter....Pages I-X
Front Matter....Pages I-X
Markov Equivalence in Bayesian Networks....Pages 3-38
A Causal Algebra for Dynamic Flow Networks....Pages 39-54
Graphical and Algebraic Representatives of Conditional Independence Models....Pages 55-80
Bayesian Network Models with Discrete and Continuous Variables....Pages 81-102
Sensitivity Analysis of Probabilistic Networks....Pages 103-124
Front Matter....Pages I-X
A Review on Distinct Methods and Approaches to Perform Triangulation for Bayesian Networks....Pages 127-152
Decisiveness in Loopy Propagation....Pages 153-173
Lazy Inference in Multiply Sectioned Bayesian Networks Using Linked Junction Forests....Pages 175-190
Front Matter....Pages I-X
A Study on the Evolution of Bayesian Network Graph Structures....Pages 193-213
Learning Bayesian Networks with an Approximated MDL Score....Pages 215-234
Learning of Latent Class Models by Splitting and Merging Components....Pages 235-251
Front Matter....Pages I-X
An Efficient Exhaustive Anytime Sampling Algorithm for Influence Diagrams....Pages 255-273
Multi-currency Influence Diagrams....Pages 275-294
Parallel Markov Decision Processes....Pages 295-309
Front Matter....Pages I-X
Applications of HUGIN to Diagnosis and Control of Autonomous Vehicles....Pages 313-332
Biomedical Applications of Bayesian Networks....Pages 333-358
Learning and Validating Bayesian Network Models of Gene Networks....Pages 359-375
The Role of Background Knowledge in Bayesian Classification....Pages 377-396