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: Drton. Mathias, Lauritzen. Steffen L., Maathuis. Marloes, Wainwright. Martin J سری: Chapman & Hall/CRC handbooks of modern statistical methods ISBN (شابک) : 9780429463976, 0429874227 ناشر: CRC Press سال نشر: 2019 تعداد صفحات: [555] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 30 Mb
در صورت تبدیل فایل کتاب Handbook of graphical models 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 راهنمای مدل های گرافیکی 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.
مدل گرافیکی یک مدل آماری است که توسط یک نمودار نشان داده می
شود. ویژگیهای فاکتورسازی زیربنای مدلهای گرافیکی، محاسبات قابل
حمل با توزیعهای چند متغیره را تسهیل میکند و مدلها را به
ابزاری ارزشمند با کاربردهای فراوان تبدیل میکند. علاوه بر این،
مدلهای گرافیکی جهتدار، امکان تفاسیر علی شهودی را فراهم
میکنند و به سنگ بنای استنتاج علی تبدیل شدهاند. در حالی که
تعدادی کتاب عالی در
مورد مدل های گرافیکی وجود دارد، این زمینه به قدری رشد کرده است
که نویسندگان به سختی می توانند دامنه آن را پوشش دهند. علاوه بر
این، این رشته طبیعتاً بین رشته ای است. این کتاب از طریق
فصلهایی که توسط محققان برجسته از حوزههای مختلف ارائه شده است،
یک نمای کلی و قابل دسترس از وضعیت هنر ارائه میکند. ویژگی های
کلیدی: * مشارکت محققان برجسته از طیف وسیعی از رشته ها * ساختار
در پنج بخش، شامل مبانی، جنبه های محاسباتی، استنتاج آماری،
استنتاج علی و کاربردها * پوشش متعادل مفاهیم، نظریه، روش ها،
مثال ها و کاربردها * فصل ها می توانند عمدتاً به طور مستقل
خوانده شود، در حالی که ارجاعات متقابل، ارتباطات را برجسته می
کنند. کتاب راهنما مخاطبان گسترده ای از جمله دانشجویان تحصیلات
تکمیلی، محققان کاربردی و متخصصان مدل های گرافیکی را هدف قرار
داده است. Read
بیشتر...
چکیده: مدل گرافیکی یک مدل آماری است که با یک نمودار نمایش داده
می شود. ویژگیهای فاکتورسازی زیربنای مدلهای گرافیکی، محاسبات
قابل حمل با توزیعهای چند متغیره را تسهیل میکند و مدلها را به
ابزاری ارزشمند با کاربردهای فراوان تبدیل میکند. علاوه بر این،
مدلهای گرافیکی جهتدار، امکان تفاسیر علی شهودی را فراهم
میکنند و به سنگ بنای استنتاج علی تبدیل شدهاند. در حالی که
تعدادی کتاب عالی در مورد مدلهای گرافیکی وجود دارد، این زمینه
به قدری رشد کرده است که نویسندگان فردی به سختی میتوانند دامنه
آن را پوشش دهند. علاوه بر این، این رشته طبیعتاً بین رشته ای
است. این کتاب از طریق فصلهایی که توسط محققان برجسته از
حوزههای مختلف ارائه شده است، یک نمای کلی و قابل دسترس از وضعیت
هنر ارائه میکند. ویژگی های کلیدی: * مشارکت محققان برجسته از
طیف وسیعی از رشته ها * ساختار در پنج بخش، شامل مبانی، جنبه های
محاسباتی، استنتاج آماری، استنتاج علی و کاربردها * پوشش متعادل
مفاهیم، نظریه، روش ها، مثال ها و کاربردها * فصل ها می توانند
عمدتاً به طور مستقل خوانده شود، در حالی که ارجاعات متقابل،
ارتباطات را برجسته می کنند.
A graphical model is a statistical model that is represented by
a graph. The factorization properties underlying graphical
models facilitate tractable computation with multivariate
distributions, making the models a valuable tool with a
plethora of applications. Furthermore, directed graphical
models allow intuitive causal interpretations and have become a
cornerstone for causal inference. While there exist a number
of excellent books
on graphical models, the field has grown so much that
individual authors can hardly cover its entire scope. Moreover,
the field is interdisciplinary by nature. Through chapters by
leading researchers from different areas, this handbook
provides a broad and accessible overview of the state of the
art. Key features: * Contributions by leading researchers from
a range of disciplines * Structured in five parts, covering
foundations, computational aspects, statistical inference,
causal inference, and applications * Balanced coverage of
concepts, theory, methods, examples, and applications *
Chapters can be read mostly independently, while
cross-references highlight connections The handbook is targeted
at a wide audience, including graduate students, applied
researchers, and experts in graphical models.
Read
more...
Abstract: A graphical model is a statistical model that is
represented by a graph. The factorization properties underlying
graphical models facilitate tractable computation with
multivariate distributions, making the models a valuable tool
with a plethora of applications. Furthermore, directed
graphical models allow intuitive causal interpretations and
have become a cornerstone for causal inference. While there
exist a number of excellent books on graphical models, the
field has grown so much that individual authors can hardly
cover its entire scope. Moreover, the field is
interdisciplinary by nature. Through chapters by leading
researchers from different areas, this handbook provides a
broad and accessible overview of the state of the art. Key
features: * Contributions by leading researchers from a range
of disciplines * Structured in five parts, covering
foundations, computational aspects, statistical inference,
causal inference, and applications * Balanced coverage of
concepts, theory, methods, examples, and applications *
Chapters can be read mostly independently, while
cross-references highlight connections The handbook is targeted
at a wide audience, including graduate students, applied
researchers, and experts in graphical models
Content: <
P>
<
STRONG>
Part I Conditional independencies and Markov properties<
/STRONG>
<
/P>
<
P>
Conditional Independence and Basic Markov Properties --
Milan Studený<
/P>
<
P>
Markov Properties for Mixed Graphical Models --
Robin Evans<
/P>
<
P>
Algebraic Aspects of Conditional Independence and Graphical Models --
Thomas Kahle, Johannes Rauh, and Seth Sullivant<
/P>
<
P>
<
STRONG>
Part II Computing with factorizing distributions<
/STRONG>
<
/P>
<
P>
<
P>
Algorithms and Data Structures for Exact Computation of Marginals --
Jeffrey A. Bilmes<
/P>
<
P>
Approximate methods for calculating marginals and likelihoods --
Nicholas Ruozzi<
/P>
<
P>
<
/P>
<
P>
MAP Estimation: Linear Programming Relaxation and Message-Passing Algorithms --
Ofer Meshi and Alexander G. Schwing<
/P>
<
P>
Sequential Monte Carlo Methods --
Arnaud Doucet and Anthony Lee<
/P>
<
P>
<
STRONG>
Part III Statistical inference<
/P>
<
/STRONG>
<
P>
Discrete Graphical Models and their Parametrization --
Luca La Rocca and Alberto Roverato<
/P>
<
P>
Gaussian Graphical Models --
Caroline Uhler<
/P>
<
P>
Bayesian inference in Graphical Gaussian Models --
Hélène Massam<
/P>
<
P>
Latent tree models --
Piotr Zwiernik<
/P>
<
P>
Neighborhood selection methods --
Po-Ling Loh<
/P>
<
P>
Nonparametric Graphical Models --
Han Liu and John Laerty<
/P>
<
P>
Inference in high-dimensional graphical models --
Jana Janková and Sara van de Geer<
/P>
<
P>
<
STRONG>
Part IV Causal inference<
/STRONG>
<
/P>
<
P>
Causal Concepts and Graphical Models --
Vanessa Didelez<
/P>
<
P>
Identication In Graphical Causal Models --
Ilya Shpitser<
/P>
<
P>
Mediation Analysis --
Johan Steen and Stijn Vansteelandt<
/P>
<
P>
Search for Causal Models --
Peter Spirtes and Kun Zhang<
/P>
<
P>
<
STRONG>
Part V Applications<
/STRONG>
<
/P>
<
P>
Graphical Models for Forensic Analysis --
A. Philip Dawid and Julia Mortera<
/P>
<
P>
Graphical models in molecular systems biology --
Sach Mukherjee and Chris Oates<
/P>
<
P>
Graphical Models in Genetics, Genomics and Metagenomics --
Hongzhe Li and Jing Ma<
/P>