مشخصات کتاب

Approximation Methods for Efficient Learning of Bayesian Networks

دسته بندی: آموزشی
ویرایش:  
نویسندگان: C. Riggelsen,  C. Riggelsen  
سری: Frontiers in Artificial Intelligence and Applications 168 
ISBN (شابک) : 1586038214, 9781586038212 
ناشر: IOS Press 
سال نشر: 2008 
تعداد صفحات: 148 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

در صورت تبدیل فایل کتاب Approximation Methods for Efficient Learning of Bayesian Networks 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 روشهای تقریبی برای یادگیری کارآمد شبکه های بیزی 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 روشهای تقریبی برای یادگیری کارآمد شبکه های بیزی

این نشریه روش‌های شبیه‌سازی مونت کارلو کارآمد را به منظور تحقق یک رویکرد بیزی برای یادگیری تقریبی شبکه‌های بیزی از داده‌های کامل و ناقص ارائه و بررسی می‌کند. برای مقادیر زیادی از داده‌های ناقص، زمانی که روش‌های مونت کارلو ناکارآمد هستند، تقریب‌هایی اجرا می‌شوند، به گونه‌ای که یادگیری امکان‌پذیر باقی می‌ماند، هرچند غیر بایز. موضوعات مورد بحث عبارتند از؛ مفاهیم اساسی در مورد احتمالات، نظریه گراف و استقلال شرطی. یادگیری شبکه بیزی از داده ها؛ تکنیک های شبیه سازی مونت کارلو و مفهوم داده های ناقص. به منظور ارائه یک برخورد منسجم از مسائل، در نتیجه به خواننده کمک می کند تا درک کاملی از کل مفهوم یادگیری شبکه های بیزی از داده های (ناقص) به دست آورد، این نشریه به روشی روشن کننده همه موضوعات ارائه شده در مقالات را با موارد قبلی ترکیب می کند. اثر منتشر نشده.

IOS Press یک ناشر بین المللی علمی، فنی و پزشکی کتاب های با کیفیت بالا برای دانشگاهیان، دانشمندان و متخصصان در همه زمینه ها است.

برخی از حوزه هایی که ما در این زمینه منتشر می کنیم:

-زیست پزشکی - سرطان شناسی - هوش مصنوعی - پایگاه های داده و سیستم های اطلاعاتی - مهندسی دریایی - فناوری نانو - مهندسی زمین - همه جنبه های فیزیک - حکومت الکترونیکی - تجارت الکترونیک - اقتصاد دانش -مطالعات شهری -کنترل تسلیحات -درک و پاسخ به تروریسم -انفورماتیک پزشکی -علوم کامپیوتر

توضیحاتی درمورد کتاب به خارجی

This publication offers and investigates efficient Monte Carlo simulation methods in order to realize a Bayesian approach to approximate learning of Bayesian networks from both complete and incomplete data. For large amounts of incomplete data when Monte Carlo methods are inefficient, approximations are implemented, such that learning remains feasible, albeit non-Bayesian. Topics discussed are; basic concepts about probabilities, graph theory and conditional independence; Bayesian network learning from data; Monte Carlo simulation techniques; and the concept of incomplete data. In order to provide a coherent treatment of matters, thereby helping the reader to gain a thorough understanding of the whole concept of learning Bayesian networks from (in)complete data, this publication combines in a clarifying way all the issues presented in the papers with previously unpublished work.

IOS Press is an international science, technical and medical publisher of high-quality books for academics, scientists, and professionals in all fields.

Some of the areas we publish in:

-Biomedicine -Oncology -Artificial intelligence -Databases and information systems -Maritime engineering -Nanotechnology -Geoengineering -All aspects of physics -E-governance -E-commerce -The knowledge economy -Urban studies -Arms control -Understanding and responding to terrorism -Medical informatics -Computer Sciences

فهرست مطالب

Title page......Page 1
Contents......Page 5
Foreword......Page 9
Introduction......Page 11
Random variables and conditional independence......Page 15
Graph theory......Page 16
Markov properties......Page 17
The Markov blanket......Page 21
Equivalence of DAGs......Page 22
Bayesian network specification......Page 24
Bayesian parameter specification......Page 25
The basics......Page 29
The Maximum-Likelihood approach......Page 30
The Bayesian approach......Page 31
Learning models......Page 34
The penalised likelihood approach......Page 35
Learning via the marginal likelihood......Page 36
Determining the hyper parameter......Page 39
Marginal and penalised likelihood......Page 42
Search methodologies......Page 43
Model search space......Page 44
Traversal strategy......Page 45
Monte Carlo methods......Page 47
Importance sampling......Page 48
Choice of the sampling distribution......Page 50
Markov chain Monte Carlo—MCMC......Page 51
Markov chains......Page 52
Reaching the invariant distribution......Page 53
Metropolis-Hastings sampling......Page 54
Gibbs sampling......Page 56
Mixing, burn-in and convergence of MCMC......Page 59
The importance of blocking......Page 61
Learning models via MCMC......Page 63
Sampling edges......Page 64
Blocking edges......Page 66
Blocks and Markov blankets......Page 68
Sampling blocks......Page 69
The MB-MCMC model sampler......Page 72
Evaluation......Page 74
Conclusion......Page 79
Learning from Incomplete Data......Page 81
The concept of incomplete data......Page 82
Missing data mechanisms......Page 83
Learning from incomplete data......Page 85
Likelihood decomposition......Page 86
Complications for learning parameters......Page 88
Bayesian sequential updating......Page 89
Complications for learning models......Page 90
Expectation Maximisation—EM......Page 91
Structural EM—SEM......Page 95
Data Augmentation—DA......Page 97
DA and eliminating the P-step—DA-P......Page 100
DA-P and model learning—MDA-P......Page 102
Properties of the sub-MCMC samplers......Page 103
Interdependence between samplers......Page 105
The general idea......Page 107
Importance sampling in the I-step—ISMDA-P......Page 108
Generating new population vs. re-weighing......Page 111
The marginal likelihood as predictive distribution......Page 112
The eMC4 sampler......Page 113
Evaluation—proof of concept......Page 114
Conclusion......Page 119
Available cases analysis......Page 120
Bound and Collapse—BC......Page 121
Markov Blanket Predictor—MBP......Page 124
Approximate predictive distributions......Page 125
Parameter estimation......Page 127
Prediction and missing parents......Page 129
Selecting predictive variables......Page 130
Implementation of MBP......Page 133
Parameter estimation......Page 134
Model learning......Page 136
Conclusion and discussion......Page 138
Conclusion......Page 141
References......Page 143

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Lecture notes on free-discontinuity problems

دانلود کتاب Sovereignty over Natural Resources: Balancing Rights and Duties

دانلود کتاب Intra-State Conflict, Governments and Security: Dilemmas of Deterrence and Assurance (Contemporary Security Studies)

دانلود کتاب Touch Typing Made Simple

دانلود کتاب Collective Improvisation in a Teacher Education Community (Self Study of Teaching and Teacher Education Practices)

دانلود کتاب Drug-Crime Connections

دانلود کتاب Ruby on Rails 3 Tutorial: Learn Rails by Example (Addison-Wesley Professional Ruby Series)

دانلود کتاب WOVENText

دانلود کتاب 必读经典之陶行知教育箴言

دانلود کتاب Democracy between Consolidation and Crisis: Parties, Groups, and Citizens in Southern Europe (Oxford Studies in Democratization)