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: نویسندگان: Guy Van den Broeck, David Poole, Kristian Kersting, Sriraam Natarajan سری: ISBN (شابک) : 0262542595, 9780262542593 ناشر: The MIT Press سال نشر: 2021 تعداد صفحات: 454 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 16 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب An Introduction to Lifted Probabilistic Inference (Neural Information Processing series) 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 مقدمه ای بر استنتاج احتمالی افزایش یافته (مجموعه پردازش اطلاعات عصبی) 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.
پیشرفتهای اخیر در زمینه استنتاج برداشته شده، که از ساختار ذاتی مدلهای احتمالی رابطهای استفاده میکند. هوش مصنوعی رابطهای آماری (StaRAI) ادغام استدلال در شرایط عدم قطعیت با استدلال در مورد افراد و روابط را مطالعه میکند. نمایش های مورد استفاده اغلب مدل های احتمالی رابطه ای نامیده می شوند. استنتاج برداشته در مورد چگونگی بهره برداری از ساختار ذاتی مدل های احتمالی رابطه ای، چه در نحوه بیان آنها و چه با استخراج ساختار از مشاهدات است. این کتاب پیشرفتهای مهم اخیر در زمینه استنتاج افزایش یافته را پوشش میدهد و مقدمهای متحد کننده برای این زمینه بسیار فعال ارائه میکند. پس از ارائه پیشینه لازم در مورد مدلهای گرافیکی احتمالی، مدلهای احتمالی رابطهای و یادگیری درون این مدلها، این کتاب به استنتاج بالا رفته و ابتدا استنتاج دقیق و سپس استنتاج تقریبی را پوشش میدهد. علاوه بر این، این کتاب تئوری لیفتپذیری و عمل در حوزههای رابطهای را در نظر میگیرد که امکان ارتباط یادگیری و استدلال در حوزههای رابطهای را فراهم میکند.
Recent advances in the area of lifted inference, which exploits the structure inherent in relational probabilistic models. Statistical relational AI (StaRAI) studies the integration of reasoning under uncertainty with reasoning about individuals and relations. The representations used are often called relational probabilistic models. Lifted inference is about how to exploit the structure inherent in relational probabilistic models, either in the way they are expressed or by extracting structure from observations. This book covers recent significant advances in the area of lifted inference, providing a unifying introduction to this very active field. After providing necessary background on probabilistic graphical models, relational probabilistic models, and learning inside these models, the book turns to lifted inference, first covering exact inference and then approximate inference. In addition, the book considers the theory of liftability and acting in relational domains, which allows the connection of learning and reasoning in relational domains.