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: 1 نویسندگان: Pierre Bessiere, Emmanuel Mazer, Juan Manuel Ahuactzin, Kamel Mekhnacha 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
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.
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.
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.