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: W. Premchaiswaid
سری:
ISBN (شابک) : 9789535105565
ناشر: Intech
سال نشر: 2012
تعداد صفحات: 124
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Bayesian Networks [expert systems] 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 شبکه های بیزی [سیستم های خبره] 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.
شبکه های باور بیزی ابزاری قدرتمند برای ترکیب منابع دانش مختلف با درجات مختلف عدم قطعیت به روشی ریاضی و محاسباتی کارآمد هستند. شبکه بیزی یک مدل گرافیکی است که روابط احتمالی را بین متغیرهای مورد علاقه رمزگذاری می کند. هنگامی که در ارتباط با تکنیک های آماری استفاده می شود، مدل گرافیکی چندین مزیت برای مدل سازی داده ها دارد. اولاً، از آنجایی که مدل وابستگیها را در بین همه متغیرها رمزگذاری میکند، به راحتی موقعیتهایی را کنترل میکند که برخی از ورودیهای داده وجود ندارد. دوم، یک شبکه بیزی می تواند برای یادگیری روابط علی استفاده شود، و از این رو می تواند برای به دست آوردن درک در مورد یک حوزه مشکل و برای پیش بینی پیامدهای مداخله استفاده شود. سوم، از آنجایی که مدل دارای معناشناسی علی و احتمالی است، یک نمایش ایده آل برای ترکیب دانش قبلی (که اغلب به شکل علی می آید) و داده ها است. چهارم، روشهای آماری بیزی در ارتباط با شبکههای بیزی یک رویکرد کارآمد و اصولی برای جلوگیری از برازش بیش از حد دادهها ارائه میدهند.
Bayesian Belief Networks are a powerful tool for combining different knowledge sources with various degrees of uncertainty in a mathematically sound and computationally efficient way. A Bayesian network is a graphical model that encodes probabilistic relationships among variables of interest. When used in conjunction with statistical techniques, the graphical model has several advantages for data modeling. First, because the model encodes dependencies among all variables, it readily handles situations where some data entries are missing. Second, a Bayesian network can be used to learn causal relationships, and hence can be used to gain an understanding about a problem domain and to predict the consequences of intervention. Third, because the model has both causal and probabilistic semantics, it is an ideal representation for combining prior knowledge (which often comes in a causal form) and data. Fourth, Bayesian statistical methods in conjunction with Bayesian networks offer an efficient and principled approach to avoid the over fitting of data.
00 preface_Bayesian Networks......Page 1
01_Making a Predictive Diagnostic Model for Rangeland Management by Implementing a State and Transition Model Within a Bayesian Belief Network (Case Study: Ghom- Iran)......Page 11
02_Building a Bayesian Network Model Based on the Combination of Structure Learning Algorithms and Weighting Expert Opinions Scheme......Page 29
03_Using Dynamic Bayesian Networks for Investigating the Impacts of Extreme Events......Page 45
04_A Spatio-Temporal Bayesian Network for Adaptive Risk Management in Territorial Emergency Response Operations......Page 59
05_Probabilistic Inference for Hybrid Bayesian Networks......Page 81
06_BN Applications in Operational Risk Analysis: Scope, Limitations and Methodological Requirements......Page 107