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
دسته بندی: برنامه نویسی: زبان های برنامه نویسی ویرایش: نویسندگان: Ankur Ankan. Abinash Panda سری: ISBN (شابک) : 9781784394684 ناشر: Packt Publishing سال نشر: 2015 تعداد صفحات: 284 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 16 مگابایت
کلمات کلیدی مربوط به کتاب تسلط بر مدلهای گرافیکی احتمالی با استفاده از پایتون: با یادگیری از طریق مسائل دنیای واقعی و مثالهای کد گویا در پایتون، بر مدلهای گرافیکی احتمالی مسلط شوید.: کتابخانه، ادبیات کامپیوتر، پایتون
در صورت تبدیل فایل کتاب Mastering Probabilistic Graphical Models Using Python: Master probabilistic graphical models by learning through real-world problems and illustrative code examples in Python 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 تسلط بر مدلهای گرافیکی احتمالی با استفاده از پایتون: با یادگیری از طریق مسائل دنیای واقعی و مثالهای کد گویا در پایتون، بر مدلهای گرافیکی احتمالی مسلط شوید. 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.
مدلهای گرافیکی احتمالی تکنیکی در یادگیری ماشینی است که از مفاهیم تئوری گراف برای نمایش مختصر و پیشبینی بهینه مقادیر در مسائل داده ما استفاده میکند. مدلهای گرافیکی تکنیکهایی را برای یافتن الگوهای پیچیده در دادهها به ما میدهند و به طور گسترده در زمینه تشخیص گفتار، استخراج اطلاعات، تقسیمبندی تصویر و مدلسازی شبکههای تنظیمکننده ژن استفاده میشوند. این کتاب با مبانی نظریه احتمالات و نظریه گراف شروع می شود، سپس به مدل های مختلف و الگوریتم های استنتاج می پردازد. همه انواع مختلف مدلها به همراه نمونههای کد برای ایجاد و اصلاح آنها و همچنین اجرای الگوریتمهای استنتاج مختلف بر روی آنها مورد بحث قرار میگیرند. یک فصل کامل وجود دارد که به مدل Naive Bayes و مدلهای Hidden Markov میپردازد. این مدل ها با استفاده از مثال های دنیای واقعی به طور کامل مورد بحث قرار گرفته اند.
Probabilistic graphical models is a technique in machine learning that uses the concepts of graph theory to concisely represent and optimally predict values in our data problems. Graphical models gives us techniques to find complex patterns in the data and are widely used in the field of speech recognition, information extraction, image segmentation, and modeling gene regulatory networks. This book starts with the basics of probability theory and graph theory, then goes on to discuss various models and inference algorithms. All the different types of models are discussed along with code examples to create and modify them, and also run different inference algorithms on them. There is an entire chapter that goes on to cover Naive Bayes model and Hidden Markov models. These models have been thoroughly discussed using real-world examples.