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: 1st Edition.
نویسندگان: Antonino Freno. Edmondo Trentin (auth.)
سری: Intelligent Systems Reference Library 15
ISBN (شابک) : 3642203078, 9783642203077
ناشر: Springer Berlin Heidelberg
سال نشر: 2011
تعداد صفحات: 226
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Hybrid Random Fields: A Scalable Approach to Structure and Parameter Learning in Probabilistic 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 فیلدهای تصادفی ترکیبی: رویکردی مقیاسپذیر برای یادگیری ساختار و پارامتر در مدلهای گرافیکی 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 ترکیب جدید و هیجان انگیزی از مدل های گرافیکی جهت دار
و بدون جهت، گسسته و پیوسته را ارائه می دهد. با ترکیب عناصر
شبکههای بیزی و میدانهای تصادفی مارکوف، فیلدهای تصادفی
ترکیبی تازه معرفیشده یک رویکرد جالب برای به دست آوردن بهترین
هر دوی این جهانها، با نوید اضافهشده از ماژولار بودن و
مقیاسپذیری است. نویسندگان کتاب لذتبخشی نوشتهاند ---در
برخورد با پسزمینههای ریاضی سختگیرانه، اما همچنین با
دیدگاههای تاریخی و فلسفی جالب و بدیع روحبخش شده است.
-- Manfred Jaeger، دانشگاه آلبورگ
کتاب نه تنها با پیشرفتهای تجربی قابلتوجه، یک جهت مؤثر از
تحقیق را نشان میدهد، بلکه همچنین --- و شاید در درجه اول ---
راهنمای خواننده از طریق یک سفر اصلی در فضای مدلسازی احتمالی
است. در حین هضم کتاب، شخص با منظره ای بسیار باز از میدان، با
ارتباطات پر از محرک غنی می شود. [...] هر کسی که به طور خاص به
شبکه های بیزی و زمینه های تصادفی مارکوف علاقه دارد نباید آن
را از دست بدهد.
-- Marco Gori, Universitâ degli Studi di Siena
مدل های گرافیکی گاهی اوقات در نظر گرفته می شوند- -به
اشتباه---به عنوان یک رویکرد غیر عملی برای یادگیری ماشین، با
این فرض که آنها فقط برای برنامه های کاربردی با ابعاد پایین و
دامنه های با ارزش گسسته به خوبی کار می کنند. در حالی که
خواننده را از طریق دستاوردهای اصلی این حوزه تحقیقاتی به روشی
دقیق و در عین حال قابل دسترس راهنمایی می کند، این کتاب به
ارائه و بررسی کامل (ریاضی و تجربی) یک الگوی جدید برای مدل
سازی گرافیکی احتمالی، میدان تصادفی ترکیبی می پردازد. این مدل
شبکههای بیزی و میدانهای تصادفی مارکوف را زیرمجموعه و گسترش
میدهد. علاوه بر این، با الگوریتمهای یادگیری کاملاً
تعریفشده، هم برای دامنههای گسسته و هم برای دامنههای با
ارزش پیوسته، ارائه میشود، که با نیازهای برنامههای کاربردی
دنیای واقعی که شامل دادههای بزرگ مقیاس و ابعاد بالا هستند،
مطابقت دارد.
This book presents an exciting new synthesis of directed and
undirected, discrete and continuous graphical models.
Combining elements of Bayesian networks and Markov random
fields, the newly introduced hybrid random fields are an
interesting approach to get the best of both these worlds,
with an added promise of modularity and scalability. The
authors have written an enjoyable book---rigorous in the
treatment of the mathematical background, but also enlivened
by interesting and original historical and philosophical
perspectives.
-- Manfred Jaeger, Aalborg Universitet
The book not only marks an effective direction of
investigation with significant experimental advances, but it
is also---and perhaps primarily---a guide for the reader
through an original trip in the space of probabilistic
modeling. While digesting the book, one is enriched with a
very open view of the field, with full of stimulating
connections. [...] Everyone specifically interested in
Bayesian networks and Markov random fields should not miss
it.
-- Marco Gori, Universit� degli Studi di Siena
Graphical models are sometimes regarded---incorrectly---as an
impractical approach to machine learning, assuming that they
only work well for low-dimensional applications and
discrete-valued domains. While guiding the reader through the
major achievements of this research area in a technically
detailed yet accessible way, the book is concerned with the
presentation and thorough (mathematical and experimental)
investigation of a novel paradigm for probabilistic graphical
modeling, the hybrid random field. This model subsumes and
extends both Bayesian networks and Markov random fields.
Moreover, it comes with well-defined learning algorithms,
both for discrete and continuous-valued domains, which fit
the needs of real-world applications involving large-scale,
high-dimensional data.
Content:
Front Matter....Pages -
Introduction....Pages 1-14
Bayesian Networks....Pages 15-41
Markov Random Fields....Pages 43-68
Introducing Hybrid Random Fields: Discrete-Valued Variables....Pages 69-86
Extending Hybrid Random Fields: Continuous-Valued Variables....Pages 87-119
Applications....Pages 121-150
Probabilistic Graphical Models: Cognitive Science or Cognitive Technology?....Pages 151-162
Conclusions....Pages 163-167
Back Matter....Pages -