دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Bayesian Networks: With Examples in R
دانلود کتاب شبکه های بیزی: با مثال هایی در R
مشخصات کتاب
Bayesian Networks: With Examples in R
ویرایش: [2 ed.] نویسندگان: Marco Scutari, Jean-Baptiste Denis سری: ISBN (شابک) : 9780367366513, 9781032038490 ناشر: CRC Press سال نشر: 2021 تعداد صفحات: 274 [252] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 19 Mb
قیمت کتاب (تومان) : 50,000
در صورت تبدیل فایل کتاب Bayesian Networks: With Examples in R 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: با مثال هایی در R 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 شبکه های بیزی: با مثال هایی در R
شبکه‌های بیزی: با مثال‌هایی در R، نسخه دوم شبکه‌های بیزی را با استفاده از رویکرد عملی معرفی می‌کند. مثال‌های ساده و در عین حال معنی‌دار، هر مرحله از فرآیند مدل‌سازی را نشان می‌دهند و در کنار هم نظریه اساسی و کاربرد آن را با استفاده از کد R مورد بحث قرار می‌دهند. مثال ها از ساده ترین مفاهیم شروع می شوند و به تدریج بر پیچیدگی آن افزوده می شوند. به ویژه، این نسخه جدید حاوی مطالب جدید قابل توجهی در مورد موضوعاتی از تمرین مدرن یادگیری ماشینی است: شبکه های پویا، شبکه هایی با متغیرهای ناهمگن، و اعتبارسنجی مدل. سه فصل اول کل فرآیند مدل‌سازی شبکه بیزی، از یادگیری ساختار گرفته تا یادگیری پارامتر تا استنتاج را توضیح می‌دهد. این فصل ها شبکه های بیزی گسسته، گاوسی و مشروط گاوسی را پوشش می دهند. دو فصل زیر به شبکه‌های پویا (برای مدل‌سازی داده‌های زمانی) و شبکه‌هایی شامل متغیرهای تصادفی دلخواه (با استفاده از Stan) می‌پردازد. این کتاب سپس به بررسی مختصر اما دقیق مبانی شبکه‌های بیزی می‌پردازد و مقدمه‌ای بر شبکه‌های بیزی علی ارائه می‌دهد. همچنین یک نمای کلی از بسته های R و سایر نرم افزارهای پیاده سازی شبکه های بیزی ارائه می دهد. فصل آخر دو مثال در دنیای واقعی را ارزیابی می‌کند: یک شبکه سیگنال‌دهی پروتئینی برجسته که در Science منتشر شده است و یک مدل گرافیکی احتمالی برای پیش‌بینی ترکیب اعضای مختلف بدن. این کتاب که جنبه‌های نظری و عملی شبکه‌های بیزی را پوشش می‌دهد، یک نمای کلی مقدماتی از این حوزه را در اختیار شما قرار می‌دهد. این به شما درک واضح و عملی از نکات کلیدی پشت این رویکرد مدل‌سازی می‌دهد و در عین حال، شما را با مرتبط‌ترین بسته‌هایی که برای پیاده‌سازی تحلیل‌های دنیای واقعی در R استفاده می‌شوند آشنا می‌کند. مثال‌های پوشش‌دهی شده در کتاب شامل چندین مورد است. زمینه های کاربردی، مدل های مبتنی بر داده و سیستم های خبره، دیدگاه های احتمالی و علی، بنابراین نقطه شروعی برای کار در سناریوهای مختلف به شما می دهد. مواد تکمیلی آنلاین شامل مجموعه داده ها و کدهای مورد استفاده در کتاب است که همگی از https://www.bnlearn.com/book-crc-2ed/ در دسترس خواهند بود.
توضیحاتی درمورد کتاب به خارجی
Bayesian Networks: With Examples in R, Second Edition introduces Bayesian networks using a hands-on approach. Simple yet meaningful examples illustrate each step of the modelling process and discuss side by side the underlying theory and its application using R code. The examples start from the simplest notions and gradually increase in complexity. In particular, this new edition contains significant new material on topics from modern machine-learning practice: dynamic networks, networks with heterogeneous variables, and model validation. The first three chapters explain the whole process of Bayesian network modelling, from structure learning to parameter learning to inference. These chapters cover discrete, Gaussian, and conditional Gaussian Bayesian networks. The following two chapters delve into dynamic networks (to model temporal data) and into networks including arbitrary random variables (using Stan). The book then gives a concise but rigorous treatment of the fundamentals of Bayesian networks and offers an introduction to causal Bayesian networks. It also presents an overview of R packages and other software implementing Bayesian networks. The final chapter evaluates two real-world examples: a landmark causal protein-signalling network published in Science and a probabilistic graphical model for predicting the composition of different body parts. Covering theoretical and practical aspects of Bayesian networks, this book provides you with an introductory overview of the field. It gives you a clear, practical understanding of the key points behind this modelling approach and, at the same time, it makes you familiar with the most relevant packages used to implement real-world analyses in R. The examples covered in the book span several application fields, data-driven models and expert systems, probabilistic and causal perspectives, thus giving you a starting point to work in a variety of scenarios. Online supplementary materials include the data sets and the code used in the book, which will all be made available from https://www.bnlearn.com/book-crc-2ed/
