مشخصات کتاب

Learning Bayesian Models with R

ویرایش:  
نویسندگان: Hari M. Koduvely  
سری:  
ISBN (شابک) : 9781783987603 
ناشر: Packt 
سال نشر: 2015 
تعداد صفحات: 154 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

در صورت تبدیل فایل کتاب Learning Bayesian Models with R 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 آموزش مدل های بیزی با R 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 آموزش مدل های بیزی با R

در روش‌های یادگیری ماشین بیزی با استفاده از R متخصص شوید و آنها را برای حل مشکلات داده‌های بزرگ در دنیای واقعی به کار ببرید درباره این کتاب * اصول استنتاج بیزی را با معادلات ریاضی کمتر بدانید * روش‌های یادگیری ماشینی پیشرفته را بیاموزید * با آن‌ها آشنا شوید. پیشرفت های اخیر در چارچوب های یادگیری عمیق و کلان داده با این راهنمای گام به گام این کتاب برای کیست این کتاب برای آماردانان، تحلیلگران و دانشمندان داده است که می خواهند یک سیستم مبتنی بر بیز با R بسازند و آن را در خود پیاده کنند. مدل ها و پروژه های روزمره این عمدتا برای دانشمندان داده و مهندسین نرم افزار که در توسعه برنامه های کاربردی تجزیه و تحلیل پیشرفته درگیر هستند در نظر گرفته شده است. برای درک این کتاب، اگر دانش پایه ای از نظریه احتمالات و تجزیه و تحلیل و آشنایی با زبان برنامه نویسی R داشته باشید مفید خواهد بود. با نظریه احتمال برای تجزیه و تحلیل رویدادهای تصادفی آشنا شوید * ساخت مدل های رگرسیون خطی * استفاده از شبکه های بیزی برای استنباط توزیع احتمال متغیرهای تصمیم در یک مسئله * مدل سازی یک مسئله با استفاده از رویکرد رگرسیون خطی بیزی با بسته R BLR * استفاده از مدل رگرسیون لجستیک بیزی طبقه‌بندی داده‌های عددی * اجرای استنتاج بیزی بر روی مجموعه داده‌های بسیار بزرگ با استفاده از برنامه‌های MapReduce در R و رایانش ابری با جزئیات استنتاج بیزی چارچوبی یکپارچه برای مقابله با انواع عدم قطعیت‌ها در هنگام یادگیری الگوهای تشکیل داده‌ها با استفاده از مدل‌های یادگیری ماشین و استفاده از آن برای پیش‌بینی فراهم می‌کند. مشاهدات آینده با این حال، یادگیری و پیاده‌سازی مدل‌های بیزی برای متخصصان علوم داده به دلیل سطح درمان ریاضی درگیر آسان نیست. همچنین، استفاده از روش‌های بیزی برای مسائل دنیای واقعی نیازمند منابع محاسباتی بالایی است. با پیشرفت‌های اخیر در محاسبات و چندین بسته منبع باز موجود در R، مدل‌سازی بیزی امروزه برای کاربردهای عملی امکان‌پذیرتر شده است. بنابراین، برای همه دانشمندان و مهندسان داده سودمند است که روش‌های بیزی را درک کنند و از آنها در پروژه‌های خود برای دستیابی به نتایج بهتر استفاده کنند. یادگیری مدل‌های بیزی با R با ارائه یک پوشش جامع از مدل‌های یادگیری ماشین بیزی و بسته‌های R که آنها را پیاده‌سازی می‌کنند، آغاز می‌شود. این با مقدمه ای بر مبانی نظریه احتمال و برنامه نویسی R برای کسانی که تازه با این موضوع آشنا هستند آغاز می شود. سپس این کتاب برخی از روش‌های مهم یادگیری ماشین را پوشش می‌دهد، هم یادگیری با نظارت و هم بدون نظارت، که با استفاده از استنتاج بیزی و R پیاده‌سازی شده‌اند. هر فصل با توضیح تئوری روش شروع می‌شود. سپس، بسته‌های R مرتبط مورد بحث قرار می‌گیرند و برخی از تصاویر با استفاده از مجموعه‌های داده از مخزن یادگیری ماشین UCI ارائه می‌شوند. هر فصل با چند تمرین ساده به پایان می رسد تا بتوانید تجربه عملی از مفاهیم و بسته های R مورد بحث در فصل را به دست آورید. فصل های آخر به آخرین پیشرفت در این زمینه اختصاص دارد، به ویژه یادگیری عمیق، که از کلاسی از مدل های شبکه عصبی استفاده می کند که در حال حاضر در مرز هوش مصنوعی هستند. این کتاب با استفاده از روش‌های بیزی روی داده‌های بزرگ با استفاده از چارچوب‌های Hadoop و Spark به پایان می‌رسد. سبک و رویکرد این کتاب ابتدا به شما توضیح تئوری مدل‌های بیزی را به زبان ساده می‌دهد و سپس جزئیات اجرای آن را در بسته R ارائه می‌کند. هر فصل دارای تصاویری برای استفاده از مدل بیزی و بسته R مربوطه، با استفاده از مجموعه داده‌های مخزن یادگیری ماشین UCI است. هر فصل همچنین شامل تمرین های کافی برای تمرین عملی بیشتر است.

توضیحاتی درمورد کتاب به خارجی

Become an expert in Bayesian Machine Learning methods using R and apply them to solve real-world big data problems About This Book * Understand the principles of Bayesian Inference with less mathematical equations * Learn state-of-the art Machine Learning methods * Familiarize yourself with the recent advances in Deep Learning and Big Data frameworks with this step-by-step guide Who This Book Is For This book is for statisticians, analysts, and data scientists who want to build a Bayes-based system with R and implement it in their day-to-day models and projects. It is mainly intended for Data Scientists and Software Engineers who are involved in the development of Advanced Analytics applications. To understand this book, it would be useful if you have basic knowledge of probability theory and analytics and some familiarity with the programming language R. What You Will Learn * Set up the R environment * Create a classification model to predict and explore discrete variables * Get acquainted with Probability Theory to analyze random events * Build Linear Regression models * Use Bayesian networks to infer the probability distribution of decision variables in a problem * Model a problem using Bayesian Linear Regression approach with the R package BLR * Use Bayesian Logistic Regression model to classify numerical data * Perform Bayesian Inference on massively large data sets using the MapReduce programs in R and Cloud computing In Detail Bayesian Inference provides a unified framework to deal with all sorts of uncertainties when learning patterns form data using machine learning models and use it for predicting future observations. However, learning and implementing Bayesian models is not easy for data science practitioners due to the level of mathematical treatment involved. Also, applying Bayesian methods to real-world problems requires high computational resources. With the recent advances in computation and several open sources packages available in R, Bayesian modeling has become more feasible to use for practical applications today. Therefore, it would be advantageous for all data scientists and engineers to understand Bayesian methods and apply them in their projects to achieve better results. Learning Bayesian Models with R starts by giving you a comprehensive coverage of the Bayesian Machine Learning models and the R packages that implement them. It begins with an introduction to the fundamentals of probability theory and R programming for those who are new to the subject. Then the book covers some of the important machine learning methods, both supervised and unsupervised learning, implemented using Bayesian Inference and R. Every chapter begins with a theoretical description of the method explained in a very simple manner. Then, relevant R packages are discussed and some illustrations using data sets from the UCI Machine Learning repository are given. Each chapter ends with some simple exercises for you to get hands-on experience of the concepts and R packages discussed in the chapter. The last chapters are devoted to the latest development in the field, specifically Deep Learning, which uses a class of Neural Network models that are currently at the frontier of Artificial Intelligence. The book concludes with the application of Bayesian methods on Big Data using the Hadoop and Spark frameworks. Style and approach The book first gives you a theoretical description of the Bayesian models in simple language, followed by details of its implementation in the R package. Each chapter has illustrations for the use of Bayesian model and the corresponding R package, using data sets from the UCI Machine Learning repository. Each chapter also contains sufficient exercises for you to get more hands-on practice.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Meeting the Needs of Your Most Able Pupils in MFL (The Gifted and Talented Series)

دانلود کتاب The elephant whisperer: my life with the herd in the African wild

دانلود کتاب Wittgenstein's Private Language: Grammar, Nonsense and Imagination in Philosophical Investigations, §§ 243-315

دانلود کتاب The Home Computer Wars: An Insider’s Account of Commodore and Jack Tramiel

دانلود کتاب Information and Communication Technologies in Education, Research, and Industrial Applications: 17th International Conference, ICTERI 2021 Kherson, Ukraine, September 28 – October 2, 2021 Revised Selected Papers