ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Programming

دانلود کتاب برنامه نویسی بیزی

Bayesian Programming

مشخصات کتاب

Bayesian Programming

ویرایش: 1 
نویسندگان: , , ,   
سری: Chapman & Hall/CRC Machine Learning & Pattern Recognition 
ISBN (شابک) : 9781439880333, 9781439880326 
ناشر: Chapman and Hall/CRC 
سال نشر: 2013 
تعداد صفحات: 378 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 46,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Bayesian Programming 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 برنامه نویسی 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 برنامه نویسی بیزی



احتمال به عنوان جایگزینی برای منطق بولی
در حالی که منطق پایه ریاضی استدلال منطقی و اصل اساسی محاسبات است، محدود به مسائلی است که اطلاعات در آنها کامل و قطعی است. با این حال، بسیاری از مشکلات دنیای واقعی، از سرمایه گذاری های مالی گرفته تا فیلتر ایمیل، ماهیت ناقص یا نامطمئن دارند. نظریه احتمال و محاسبات بیزی با هم چارچوب جایگزینی را برای مقابله با داده های ناقص و نامطمئن ارائه می دهند.

ابزارها و روش های تصمیم گیری برای داده های ناقص و نامطمئن
با تاکید بر احتمال به عنوان جایگزینی برای منطق بولی، برنامه نویسی بیزی روش های جدیدی را پوشش می دهد. ساخت برنامه های احتمالی برای برنامه های کاربردی در دنیای واقعی. این کتاب توسط تیمی که یک موتور استنتاج احتمالی کارآمد را برای تفسیر برنامه‌های بیزی طراحی و پیاده‌سازی کرده است، نمونه‌های پایتون زیادی را ارائه می‌کند که در یک وب‌سایت تکمیلی به همراه یک مفسر نیز موجود است که به خوانندگان اجازه می‌دهد این رویکرد جدید برنامه‌نویسی را آزمایش کنند. P>

اصول و مدل‌سازی
دو بخش اول کتاب تنها به یک پایه اساسی در ریاضیات نیاز دارد، روش‌شناسی جدیدی را برای ساخت مدل‌های احتمالی ذهنی ارائه می‌کند. نویسندگان اصول برنامه نویسی بیزی را معرفی کرده و شیوه های خوب برای مدل سازی احتمالی را مورد بحث قرار می دهند. مثال‌های ساده متعددی کاربرد مدل‌سازی بیزی را در زمینه‌های مختلف برجسته می‌کند.

فرمال‌گرایی و الگوریتم‌ها
بخش سوم کار موجود بر روی الگوریتم‌های استنتاج بیزی را ترکیب می‌کند، زیرا یک موتور استنتاج بیزی کارآمد است. برای خودکارسازی محاسبات احتمالی در برنامه های بیزی مورد نیاز است. بسیاری از منابع کتابشناختی برای خوانندگانی که مایل به جزئیات بیشتر در مورد فرمالیسم برنامه‌نویسی بیزی، مدل‌های احتمالی اصلی، الگوریتم‌های هدف کلی برای استنتاج بیزی و مشکلات یادگیری هستند، گنجانده شده است.

سؤالات متداول
< /EM>به همراه واژه نامه، قسمت چهارم شامل پاسخ به سوالات متداول است. نویسندگان برنامه‌ریزی بیزی و نظریه‌های امکان را مقایسه می‌کنند، پیچیدگی محاسباتی استنتاج بیزی را مورد بحث قرار می‌دهند، تقلیل‌ناپذیری ناقصی را پوشش می‌دهند، و به معرفت‌شناسی احتمالات ذهن‌گرا در مقابل عینیت‌گرایانه می‌پردازند.

اولین گام‌ها به سوی یک کامپیوتر بیزی
یک روش مدل‌سازی جدید، الگوریتم‌های استنتاج جدید، زبان‌های برنامه‌نویسی جدید و سخت‌افزار جدید همگی برای ایجاد یک چارچوب کامل محاسباتی بیزی مورد نیاز هستند. . این کتاب با تمرکز بر روش‌شناسی و الگوریتم‌ها، گام‌های اولیه برای رسیدن به آن هدف را شرح می‌دهد. این خوانندگان را تشویق می‌کند تا حوزه‌های نوظهور مانند محاسبات الهام‌گرفته از زیستی را کشف کنند و زبان‌های برنامه‌نویسی جدید و معماری‌های سخت‌افزاری را توسعه دهند.


توضیحاتی درمورد کتاب به خارجی

Probability as an Alternative to Boolean Logic
While logic is the mathematical foundation of rational reasoning and the fundamental principle of computing, it is restricted to problems where information is both complete and certain. However, many real-world problems, from financial investments to email filtering, are incomplete or uncertain in nature. Probability theory and Bayesian computing together provide an alternative framework to deal with incomplete and uncertain data.

Decision-Making Tools and Methods for Incomplete and Uncertain Data
Emphasizing probability as an alternative to Boolean logic, Bayesian Programming covers new methods to build probabilistic programs for real-world applications. Written by the team who designed and implemented an efficient probabilistic inference engine to interpret Bayesian programs, the book offers many Python examples that are also available on a supplementary website together with an interpreter that allows readers to experiment with this new approach to programming.

Principles and Modeling
Only requiring a basic foundation in mathematics, the first two parts of the book present a new methodology for building subjective probabilistic models. The authors introduce the principles of Bayesian programming and discuss good practices for probabilistic modeling. Numerous simple examples highlight the application of Bayesian modeling in different fields.

Formalism and Algorithms
The third part synthesizes existing work on Bayesian inference algorithms since an efficient Bayesian inference engine is needed to automate the probabilistic calculus in Bayesian programs. Many bibliographic references are included for readers who would like more details on the formalism of Bayesian programming, the main probabilistic models, general purpose algorithms for Bayesian inference, and learning problems.

FAQs
Along with a glossary, the fourth part contains answers to frequently asked questions. The authors compare Bayesian programming and possibility theories, discuss the computational complexity of Bayesian inference, cover the irreducibility of incompleteness, and address the subjectivist versus objectivist epistemology of probability.

The First Steps toward a Bayesian Computer
A new modeling methodology, new inference algorithms, new programming languages, and new hardware are all needed to create a complete Bayesian computing framework. Focusing on the methodology and algorithms, this book describes the first steps toward reaching that goal. It encourages readers to explore emerging areas, such as bio-inspired computing, and develop new programming languages and hardware architectures.





نظرات کاربران