Practical Probabilistic Programming

داده‌های جمع‌آوری‌شده در مورد مشتریان، محصولات و کاربران وب‌سایت نه تنها می‌تواند به تفسیر گذشته کمک کند، بلکه می‌تواند به پیش‌بینی آینده نیز کمک کند! برنامه نویسی احتمالی یک الگوی برنامه نویسی است که در آن از مدل های کد برای استخراج استنتاج های احتمالی از داده ها استفاده می شود. با بکارگیری الگوریتم‌های تخصصی، برنامه‌ها درجاتی از احتمال را به نتیجه‌گیری اختصاص می‌دهند و پیش‌بینی رویدادهای آینده مانند روند فروش، خرابی سیستم رایانه‌ای، نتایج آزمایشی و سایر نگرانی‌های حیاتی را ممکن می‌سازند.

برنامه‌نویسی احتمالی عملی< /i> نحوه استفاده از پارادایم PP برای مدل سازی دامنه های برنامه و بیان آن مدل های احتمالی در کد را توضیح می دهد. این نشان می دهد که چگونه می توان از زبان فیگارو برای ساخت فیلتر هرزنامه و اعمال شبکه های بیزی و مارکوف برای تشخیص مشکلات داده های سیستم کامپیوتری و بازیابی تصاویر دیجیتال استفاده کرد. سپس به دنیای استنتاج احتمالی می‌رود، جایی که الگوریتم‌ها به تبدیل پیش‌بینی گسترده استفاده از رسانه‌های اجتماعی به یک علم کمک می‌کنند. این کتاب برنامه‌نویسی به سبک عملکردی را برای تحلیل متن و استفاده از مدل‌های شی‌گرا برای پیش‌بینی پدیده‌های اجتماعی مانند انتشار توییت‌ها و استفاده از مدل‌های جهان باز برای مدل‌سازی استفاده از رسانه‌های اجتماعی در زندگی واقعی را پوشش می‌دهد. همچنین اصول الگوریتم هایی مانند انتشار باور و زنجیره مارکوف مونت کارلو را آموزش می دهد. این کتاب با مدل‌سازی سیستم‌های پویا با استفاده از چرخه محصول به عنوان مثال اصلی پایان می‌یابد و توضیح می‌دهد که چگونه مدل‌های احتمالی می‌توانند در فرآیند تصمیم‌گیری برای یک کمپین تبلیغاتی کمک کنند.

خرید کتاب چاپی شامل یک کتاب رایگان است. کتاب الکترونیکی در قالب‌های PDF، Kindle، و ePub از انتشارات Manning.

Data accumulated about customers, products, and website users can not only help interpret the past, it can help predict the future! Probabilistic programming is a programming paradigm in which code models are used to draw probabilistic inferences from data. By applying specialized algorithms, programs assign degrees of probability to conclusions and make it possible to forecast future events like sales trends, computer system failures, experimental outcomes, and other critical concerns.

Practical Probabilistic Programming explains how to use the PP paradigm to model application domains and express those probabilistic models in code. It shows how to use the Figaro language to build a spam filter and apply Bayesian and Markov networks to diagnose computer system data problems and recover digital images. Then it dives into the world of probabilistic inference, where algorithms help turn the extended prediction of social media usage into a science. The book covers functional-style programming for text analysis and using object-oriented models to predict social phenomena like the spread of tweets, and using open universe models to model real-life social media usage. It also teaches the principles of algorithms such as belief propagation and Markov chain Monte Carlo. The book closes out with modeling dynamic systems by using a product cycle as its main example and explains how probabilistic models can help in the decision-making process for an ad campaign.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.