دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Graphical models for machine learning and digital communication
دانلود کتاب مدل های گرافیکی برای یادگیری ماشین و ارتباطات دیجیتال
مشخصات کتاب
Graphical models for machine learning and digital communication
ویرایش:
نویسندگان: Frey B.J.
سری: Adaptive Computation and Machine Learning
ISBN (شابک) : 026206202X
ناشر: MIT
سال نشر: 1998
تعداد صفحات: 203
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Graphical models for machine learning and digital communication 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 مدل های گرافیکی برای یادگیری ماشین و ارتباطات دیجیتال 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 مدل های گرافیکی برای یادگیری ماشین و ارتباطات دیجیتال
مشکلات مختلفی در یادگیری ماشین و ارتباطات دیجیتال با سیستم‌های طبیعی یا مصنوعی پیچیده اما ساختاریافته سروکار دارند. در این کتاب، برندن فری از مدل‌های گرافیکی به عنوان چارچوبی فراگیر برای توصیف و حل مشکلات طبقه‌بندی الگو، یادگیری بدون نظارت، فشرده‌سازی داده‌ها و کدگذاری کانال استفاده می‌کند. با استفاده از ساختارهای احتمالاتی مانند شبکه‌های باور بیزی و میدان‌های تصادفی مارکوف، او قادر است روابط بین متغیرهای تصادفی را در این سیستم‌ها توصیف کند و از تکنیک‌های استنتاج مبتنی بر نمودار برای توسعه الگوریتم‌های جدید استفاده کند. از جمله الگوریتم‌های توصیف‌شده می‌توان به الگوریتم بیداری-خواب برای یادگیری بدون نظارت، الگوریتم رمزگشایی توربوکد تکراری (در حال حاضر بهترین الگوریتم رمزگشایی تصحیح خطا)، روش کدگذاری بیت‌بک، تکنیک مونت کارلو زنجیره مارکوف و استنتاج متغیر اشاره کرد. >
توضیحاتی درمورد کتاب به خارجی
A variety of problems in machine learning and digital communication deal with complex but structured natural or artificial systems. In this book, Brendan Frey uses graphical models as an overarching framework to describe and solve problems of pattern classification, unsupervised learning, data compression, and channel coding. Using probabilistic structures such as Bayesian belief networks and Markov random fields, he is able to describe the relationships between random variables in these systems and to apply graph-based inference techniques to develop new algorithms. Among the algorithms described are the wake-sleep algorithm for unsupervised learning, the iterative turbodecoding algorithm (currently the best error-correcting decoding algorithm), the bits-back coding method, the Markov chain Monte Carlo technique, and variational inference.
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Pediatrics in Systemic Autoimmune Diseases
دانلود کتاب Police administration
دانلود کتاب CompTIA A+ Certification All-in-One Exam Guide (Exams 220-901 & 220-902)
