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 Probabilistic Graphical Models: Principles and Applications

دانلود کتاب مدل های گرافیکی احتمالی: اصول و کاربردها

Probabilistic Graphical Models: Principles and Applications

مشخصات کتاب

Probabilistic Graphical Models: Principles and Applications

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
سری: Advances in Computer Vision and Pattern Recognition 
ISBN (شابک) : 9781447166986, 9781447166993 
ناشر: Springer 
سال نشر: 2015 
تعداد صفحات: 267 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت

قیمت کتاب (تومان) : 44,000



کلمات کلیدی مربوط به کتاب مدل های گرافیکی احتمالی: اصول و کاربردها: یادگیری ماشین، مدل‌های احتمالی، شبکه‌های بیزی، درخت‌های تصمیم، شبکه‌های مارکوف، استنتاج بیزی، طبقه‌بندی، بیز ساده‌لوح، نظریه گراف، نظریه احتمال، تشخیص ژست، علیت، استنتاج آماری، منطق ریاضی، عدم قطعیت، مدل‌های مارکوف، رتبه‌بندی صفحه مارکف،



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 20


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 مدل های 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 مدل های گرافیکی احتمالی: اصول و کاربردها

این متن/مرجع قابل دسترسی، مقدمه ای کلی برای مدل های گرافیکی احتمالی (PGMs) از دیدگاه مهندسی فراهم می کند. 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 تصمیم‌گیری مارکوف را برجسته می‌کنند. ویژگی ها: یک چارچوب یکپارچه را ارائه می دهد که تمام کلاس های اصلی PGM ها را در بر می گیرد. کاربرد عملی تکنیک های مختلف را شرح می دهد. آخرین پیشرفت‌ها در این زمینه را بررسی می‌کند که طبقه‌بندی‌کننده‌های بیزی چند بعدی، مدل‌های گرافیکی رابطه‌ای و مدل‌های علی را پوشش می‌دهد. در پایان هر فصل تمرین ها، پیشنهاداتی برای مطالعه بیشتر و ایده هایی برای پروژه های تحقیقاتی یا برنامه نویسی ارائه می دهد.


توضیحاتی درمورد کتاب به خارجی

This accessible text/reference provides a general introduction to probabilistic graphical models (PGMs) from an engineering perspective. 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. Features: presents a unified framework encompassing all of the main classes of PGMs; describes the practical application of the different techniques; examines the latest developments in the field, covering multidimensional Bayesian classifiers, relational graphical models and causal models; provides exercises, suggestions for further reading, and ideas for research or programming projects at the end of each chapter.



فهرست مطالب

Front Matter....Pages i-xxiv
Front Matter....Pages 1-1
Introduction....Pages 3-13
Probability Theory....Pages 15-26
Graph Theory....Pages 27-38
Front Matter....Pages 39-39
Bayesian Classifiers....Pages 41-62
Hidden Markov Models....Pages 63-82
Markov Random Fields....Pages 83-99
Bayesian Networks: Representation and Inference....Pages 101-136
Bayesian Networks: Learning....Pages 137-159
Dynamic and Temporal Bayesian Networks....Pages 161-177
Front Matter....Pages 179-179
Decision Graphs....Pages 181-198
Markov Decision Processes....Pages 199-216
Front Matter....Pages 217-217
Relational Probabilistic Graphical Models....Pages 219-235
Graphical Causal Models....Pages 237-246
Back Matter....Pages 247-253




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی