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 Empirical Methods for Artificial Intelligence (Bradford Books)

دانلود کتاب روش‌های تجربی برای هوش مصنوعی (کتاب برادفورد)

Empirical Methods for Artificial Intelligence (Bradford Books)

مشخصات کتاب

Empirical Methods for Artificial Intelligence (Bradford Books)

ویرایش: First Edition 
نویسندگان:   
سری:  
ISBN (شابک) : 0262032252, 9780262032254 
ناشر: The MIT Press 
سال نشر: 1995 
تعداد صفحات: 542 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 47 مگابایت 

قیمت کتاب (تومان) : 45,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Empirical Methods for Artificial Intelligence (Bradford Books) 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 روش‌های تجربی برای هوش مصنوعی (کتاب برادفورد) 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 روش‌های تجربی برای هوش مصنوعی (کتاب برادفورد)

علوم کامپیوتر و هوش مصنوعی به طور خاص مانند سایر علوم برنامه درسی در روش های تحقیق ندارند. این کتاب روش‌های تجربی برای مطالعه برنامه‌های رایانه‌ای پیچیده را ارائه می‌کند: ابزارهای اکتشافی برای کمک به یافتن الگوها در داده‌ها، طرح‌های آزمایشی و ابزارهای آزمون فرضیه برای کمک به بیان قانع‌کننده داده‌ها، و ابزارهای مدل‌سازی برای کمک به توضیح داده‌ها. اگرچه بسیاری از این تکنیک ها آماری هستند، اما این کتاب آمار را در زمینه سرمایه گذاری تجربی گسترده تر مورد بحث قرار می دهد. سه فصل اول به معرفی سوالات تجربی، تجزیه و تحلیل داده های اکتشافی و طراحی آزمایش می پردازد. بازجویی صریح آزمون فرضیه های آماری به فصل های 4 و 5 موکول می شود که به ترتیب روش های پارامتریک کلاسیک و روش های نمونه گیری مجدد کامپیوتری (مونته کارلو) را ارائه می دهند. این یکی از معدود کتاب‌هایی است که این تکنیک‌های نمونه‌گیری مجدد انعطاف‌پذیر را به شیوه‌ای دقیق و قابل دسترس ارائه می‌کند. بیشتر کتاب به استراتژی‌ها و تاکتیک‌های تحقیق، معرفی روش‌های جدید در زمینه مطالعات موردی اختصاص دارد. فصل 6 ارزیابی عملکرد را پوشش می‌دهد، فصل 7 نحوه شناسایی تعاملات و وابستگی‌ها را در میان عوامل متعددی که عملکرد را توضیح می‌دهند، نشان می‌دهد، و فصل 8 مدل‌های پیش‌بینی‌کننده برنامه‌ها، از جمله مدل‌های علی را مورد بحث قرار می‌دهد. فصل آخر این سوال را مطرح می‌کند که چه چیزی به عنوان یک نظریه در هوش مصنوعی به حساب می‌آید، و چگونه روش‌های تجربی - که با سیستم‌های خاص سروکار دارند - می‌توانند نظریه‌های عمومی را تقویت کنند. جزئیات ریاضی به پیوست‌ها محدود می‌شوند و هیچ دانش قبلی از آمار یا نظریه احتمال فرض نمی‌شود. همه نمونه‌ها را می‌توان با دست یا با بسته‌های آماری در دسترس تجاری تجزیه و تحلیل کرد. بسته آماری تحلیلی Common Lisp (CLASP)، که در آزمایشگاه نویسنده برای رایانه‌های یونیکس و مکینتاش توسعه یافته است، از MIT Press.A کتاب برادفورد در دسترس است.


توضیحاتی درمورد کتاب به خارجی

Computer science and artificial intelligence in particular have no curriculum in research methods, as other sciences do. This book presents empirical methods for studying complex computer programs: exploratory tools to help find patterns in data, experiment designs and hypothesis-testing tools to help data speak convincingly, and modeling tools to help explain data. Although many of these techniques are statistical, the book discusses statistics in the context of the broader empirical enterprise. The first three chapters introduce empirical questions, exploratory data analysis, and experiment design. The blunt interrogation of statistical hypothesis testing is postponed until chapters 4 and 5, which present classical parametric methods and computer-intensive (Monte Carlo) resampling methods, respectively. This is one of few books to present these new, flexible resampling techniques in an accurate, accessible manner.Much of the book is devoted to research strategies and tactics, introducing new methods in the context of case studies. Chapter 6 covers performance assessment, chapter 7 shows how to identify interactions and dependencies among several factors that explain performance, and chapter 8 discusses predictive models of programs, including causal models. The final chapter asks what counts as a theory in AI, and how empirical methods -- which deal with specific systems -- can foster general theories.Mathematical details are confined to appendixes and no prior knowledge of statistics or probability theory is assumed. All of the examples can be analyzed by hand or with commercially available statistics packages.The Common Lisp Analytical Statistics Package (CLASP), developed in the author's laboratory for Unix and Macintosh computers, is available from The MIT Press.A Bradford Book





نظرات کاربران