برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

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

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Denis. Jean-Baptiste,  Scutari. Marco  
سری: Texts in statistical science 
ISBN (شابک) : 9781482225587, 1482225581 
ناشر: CRC Press : Taylor & Francis Group 
سال نشر: 2014 
تعداد صفحات: 239 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 39,000

کلمات کلیدی مربوط به کتاب شبکه های بیزی: با مثال هایی در R: ریاضیات، نظریه احتمالات و آمار ریاضی، آمار ریاضی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 19

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

درک مبانی شبکه‌های بیزی - ویژگی‌ها و تعاریف اصلی توضیح داده شده شبکه‌های بیزی: با مثال‌هایی در R، شبکه‌های بیزی را با استفاده از یک رویکرد عملی معرفی می‌کند. مثال‌های ساده و در عین حال معنادار در R هر مرحله از فرآیند مدل‌سازی را نشان می‌دهد. مثال ها از ساده ترین مفاهیم شروع می شوند و به تدریج بر پیچیدگی آن افزوده می شوند. نویسندگان همچنین مدل های احتمالی را از برآورد آنها با مجموعه داده ها متمایز می کنند. سه فصل اول کل فرآیند مدل‌سازی شبکه بیزی، از یادگیری ساختار گرفته تا یادگیری پارامتر تا استنتاج را توضیح می‌دهد. این فصل‌ها شبکه‌های بیزی گسسته، بیزی گوسی و ترکیبی، از جمله متغیرهای تصادفی دلخواه را پوشش می‌دهند. 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 R و سایر بسته های نرم افزاری مناسب برای شبکه های بیزی ارائه می دهد. فصل آخر دو مثال واقعی را ارزیابی می‌کند: یک مقاله شبکه سیگنال‌دهی پروتئینی برجسته و رویکردهای مدل‌سازی گرافیکی برای پیش‌بینی ترکیب قسمت‌های مختلف بدن. این متن برای دانشجویان فارغ التحصیل و غیر آمارگیران مناسب است، یک نمای کلی از شبکه های بیزی ارائه می دهد. این به خوانندگان درک روشن و عملی از رویکرد کلی و مراحل مربوطه می دهد.

توضیحاتی درمورد کتاب به خارجی

Understand the Foundations of Bayesian Networks—Core Properties and Definitions Explained Bayesian Networks: With Examples in R introduces Bayesian networks using a hands-on approach. Simple yet meaningful examples in R illustrate each step of the modeling process. The examples start from the simplest notions and gradually increase in complexity. The authors also distinguish the probabilistic models from their estimation with data sets. The first three chapters explain the whole process of Bayesian network modeling, from structure learning to parameter learning to inference. These chapters cover discrete Bayesian, Gaussian Bayesian, and hybrid networks, including arbitrary random variables. 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 and other software packages appropriate for Bayesian networks. The final chapter evaluates two real-world examples: a landmark causal protein signaling network paper and graphical modeling approaches for predicting the composition of different body parts. Suitable for graduate students and non-statisticians, this text provides an introductory overview of Bayesian networks. It gives readers a clear, practical understanding of the general approach and steps involved.

فهرست مطالب

Content: Introduction. The Discrete Case: Multinomial Bayesian Networks. The Continuous Case: Gaussian Bayesian Networks. More Complex Cases. Theory and Algorithms for Bayesian Networks. Real-World Applications of Bayesian Networks. Appendices. Bibliography