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: A. Gammerman
سری:
ISBN (شابک) : 0471962791, 9780585354149
ناشر: Wiley
سال نشر: 1996
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Computational Learning and Probabilistic Reasoning 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 یادگیری محاسباتی و استدلال احتمالی 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.
این کتاب با ارائه پوششی یکپارچه از آخرین روشها و تکنیکهای تحقیق و کاربرد، به دو تکنیک مرتبط با هم برای حل برخی از مشکلات مهم در هوش ماشینی و تشخیص الگو، یعنی استدلال احتمالی و یادگیری محاسباتی اختصاص دارد. مشارکتهای موجود در این جلد، پیشرفتهای فعلی در علم کامپیوتر و آمار نظری را توصیف و بررسی میکند که مدلهای احتمالی محاسباتی را برای دستکاری دانش موجود در دادههای صنعتی و تجاری ارائه میکند. این روش ها برای رسیدگی به مشکلات پیچیده در پزشکی، بازرگانی و مالی بسیار کارآمد هستند. بخش اول اصول تعمیم و یادگیری را پوشش می دهد و چندین اصل و تکنیک استقرایی جدید مورد استفاده در یادگیری محاسباتی را توضیح می دهد. بخش دوم، علیت و انتخاب مدل را شامل مدلهای احتمالی گرافیکی که از روابط استقلال ارائه شده در نمودارها استفاده میکنند، و کاربردهای شبکههای بیزی برای تحلیل آماری چند متغیره را توصیف میکند. بخش سوم شامل مطالعات موردی و توصیف شبکههای باور بیزی و سیستمهای ترکیبی است. در نهایت، بخش چهارم درباره تصمیمگیری، بهینهسازی و طبقهبندی، برخی از کارهای نظری مرتبط در زمینه استدلال احتمالی را شرح میدهد. آماردانان، برنامه ریزان استراتژی فناوری اطلاعات، متخصصان و محققانی که علاقه مند به یادگیری، پایگاه های داده هوشمند و شناسایی الگو و پردازش داده ها برای سیستم های خبره هستند، این کتاب را منبعی ارزشمند خواهند یافت. مسائل زندگی واقعی برای نشان دادن اجرای عملی و موثر الگوریتم ها و تکنیک های مربوطه استفاده می شود.
Providing a unified coverage of the latest research and applications methods and techniques, this book is devoted to two interrelated techniques for solving some important problems in machine intelligence and pattern recognition, namely probabilistic reasoning and computational learning. The contributions in this volume describe and explore the current developments in computer science and theoretical statistics which provide computational probabilistic models for manipulating knowledge found in industrial and business data. These methods are very efficient for handling complex problems in medicine, commerce and finance. Part I covers Generalisation Principles and Learning and describes several new inductive principles and techniques used in computational learning. Part II describes Causation and Model Selection including the graphical probabilistic models that exploit the independence relationships presented in the graphs, and applications of Bayesian networks to multivariate statistical analysis. Part III includes case studies and descriptions of Bayesian Belief Networks and Hybrid Systems. Finally, Part IV on Decision-Making, Optimization and Classification describes some related theoretical work in the field of probabilistic reasoning. Statisticians, IT strategy planners, professionals and researchers with interests in learning, intelligent databases and pattern recognition and data processing for expert systems will find this book to be an invaluable resource. Real-life problems are used to demonstrate the practical and effective implementation of the relevant algorithms and techniques.