دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Probabilistic Graphical Models: Principles and Applications
دانلود کتاب مدل‌های گرافیکی احتمالی: اصول و کاربردها
مشخصات کتاب
Probabilistic Graphical Models: Principles and Applications
ویرایش:
نویسندگان: Luis Enrique Sucar
سری: Advances in Computer Vision and Pattern Recognition
ISBN (شابک) : 3030619427, 9783030619428
ناشر: Springer
سال نشر: 2021
تعداد صفحات: 355
[370]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 Mb
قیمت کتاب (تومان) : 53,000
در صورت تبدیل فایل کتاب Probabilistic Graphical Models: Principles and Applications 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 مدل‌های گرافیکی احتمالی: اصول و کاربردها 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 مدل‌های گرافیکی احتمالی: اصول و کاربردها
این نسخه جدید کاملاً به روز شده از یک کتاب درسی/مرجع منحصر به فرد در دسترس، مقدمه ای کلی برای مدل های گرافیکی احتمالی (PGMs) از دیدگاه مهندسی فراهم می کند. این شامل مطالب جدید در مورد فرآیندهای تصمیم مارکوف تا حدی قابل مشاهده، مدل های گرافیکی، و یادگیری عمیق، و همچنین تعداد بیشتری تمرین است. این کتاب اصول هر یک از کلاس‌های اصلی PGM، از جمله بازنمایی، استنتاج و اصول یادگیری را پوشش می‌دهد و کاربردهای دنیای واقعی را برای هر نوع مدل بررسی می‌کند. این کاربردها از طیف وسیعی از رشته‌ها استخراج شده‌اند و کاربردهای فراوان طبقه‌بندی‌کننده‌های بیزی، مدل‌های پنهان مارکوف، شبکه‌های بیزی، شبکه‌های بیزی پویا و موقت، میدان‌های تصادفی مارکوف، نمودارهای نفوذ و فرآیندهای تصمیم مارکوف را برجسته می‌کنند. موضوعات و ویژگی‌ها: یک چارچوب یکپارچه را ارائه می‌کند که تمام کلاس‌های اصلی PGM را در بر می‌گیرد. جنبه‌های اساسی نمایش، استنتاج و یادگیری برای هر تکنیک را بررسی می‌کند. و ارتباط آن‌ها با مدل‌های گرافیکی احتمالی طبقه‌بندی‌کننده‌های بیزی چند بعدی، مدل‌های گرافیکی رابطه‌ای، و مدل‌های علّی را پوشش می‌دهد. تمرین‌های پایان فصل قابل توجه، پیشنهادهایی برای مطالعه بیشتر، و ایده‌هایی برای پروژه‌های پژوهشی یا برنامه‌نویسی ارائه می‌دهد. و طبقه‌بندی‌های سلسله مراتبی با شبکه‌های بیزی کاربرد عملی تکنیک‌های مختلف را تشریح می‌کند. طرح‌های دوره‌های ممکن را برای مدرسان پیشنهاد می‌کند. و فیزیک افراد حرفه‌ای که مایل به استفاده از مدل‌های گرافیکی احتمالی در زمینه خود هستند، یا علاقه‌مند به اساس این تکنیک‌ها هستند، کتاب را مرجع ارزشمندی می‌دانند.
توضیحاتی درمورد کتاب به خارجی
This fully updated new edition of a uniquely accessible textbook/reference provides a general introduction to probabilistic graphical models (PGMs) from an engineering perspective. It features new material on partially observable Markov decision processes, graphical models, and deep learning, as well as an even greater number of exercises. The book covers the fundamentals for each of the main classes of PGMs, including representation, inference and learning principles, and reviews real-world applications for each type of model. These applications are drawn from a broad range of disciplines, highlighting the many uses of Bayesian classifiers, hidden Markov models, Bayesian networks, dynamic and temporal Bayesian networks, Markov random fields, influence diagrams, and Markov decision processes. Topics and features: Presents a unified framework encompassing all of the main classes of PGMs Explores the fundamental aspects of representation, inference and learning for each technique Examines new material on partially observable Markov decision processes, and graphical models Includes a new chapter introducing deep neural networks and their relation with probabilistic graphical models Covers multidimensional Bayesian classifiers, relational graphical models, and causal models Provides substantial chapter-ending exercises, suggestions for further reading, and ideas for research or programming projects Describes classifiers such as Gaussian Naive Bayes, Circular Chain Classifiers, and Hierarchical Classifiers with Bayesian Networks Outlines the practical application of the different techniques Suggests possible course outlines for instructors This classroom-tested work is suitable as a textbook for an advanced undergraduate or a graduate course in probabilistic graphical models for students of computer science, engineering, and physics. Professionals wishing to apply probabilistic graphical models in their own field, or interested in the basis of these techniques, will also find the book to be an invaluable reference.
