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: Samantha Kleinberg
سری:
ISBN (شابک) : 1107026482, 9781107026483
ناشر: Cambridge University Press
سال نشر: 2012
تعداد صفحات: 270
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Causality, Probability, and Time 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 علیت، احتمال و زمان 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.
علیت بخش کلیدی بسیاری از زمینه ها و جنبه های زندگی است، از یافتن رابطه بین رژیم غذایی و بیماری گرفته تا کشف دلیل سقوط خاص بازار سهام. با وجود قرنها کار در فلسفه و دههها تحقیق محاسباتی، استنتاج و تبیین خودکار همچنان یک مشکل باز است. به طور خاص، زمان بندی و پیچیدگی روابط تا حد زیادی نادیده گرفته شده است، حتی اگر این اطلاعات برای پیش بینی، توضیح و مداخله بسیار مهم است. با این حال، با توجه به در دسترس بودن رو به رشد مجموعه دادههای مشاهدهای بزرگ، از جمله مواردی که از پروندههای الکترونیک سلامت و شبکههای اجتماعی گرفته شدهاند، یک ضرورت عملی است. این کتاب یک رویکرد جدید برای استنتاج (یافتن روابط از مجموعه ای از داده ها) و توضیح (ارزیابی چرایی وقوع یک رویداد خاص) ارائه می دهد که به زمان بندی و پیچیدگی روابط می پردازد. استفاده عملی از روش توسعهیافته از طریق مطالعات موردی نظری و تجربی نشان داده شده است و امکانسنجی و موفقیت آن را نشان میدهد.
Causality is a key part of many fields and facets of life, from finding the relationship between diet and disease to discovering the reason for a particular stock market crash. Despite centuries of work in philosophy and decades of computational research, automated inference and explanation remains an open problem. In particular, the timing and complexity of relationships has been largely ignored even though this information is critically important for prediction, explanation, and intervention. However, given the growing availability of large observational datasets including those from electronic health records and social networks, it is a practical necessity. This book presents a new approach to inference (finding relationships from a set of data) and explanation (assessing why a particular event occurred), addressing both the timing and complexity of relationships. The practical use of the method developed is illustrated through theoretical and experimental case studies, demonstrating its feasibility and success.