ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Mastering Probabilistic Graphical Models Using Python: Master probabilistic graphical models by learning through real-world problems and illustrative code examples in Python

دانلود 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.

Mastering Probabilistic Graphical Models Using Python: Master probabilistic graphical models by learning through real-world problems and illustrative code examples in Python

مشخصات کتاب

Mastering Probabilistic Graphical Models Using Python: Master probabilistic graphical models by learning through real-world problems and illustrative code examples in Python

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان:   
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 

قیمت کتاب (تومان) : 40,000



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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


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.


توضیحاتی در مورد 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.

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.


توضیحاتی درمورد کتاب به خارجی

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.





نظرات کاربران