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 Inference Using Markov Chain Monte Carlo Methods

دانلود کتاب استنتاج احتمالی با استفاده از روش های مونت کارلو زنجیره مارکوف

مشخصات کتاب

Probabilistic Inference Using Markov Chain Monte Carlo Methods

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Neal R.  
سری: Toronto tech  report 
 
ناشر:  
سال نشر: 1993 
تعداد صفحات: 144 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت

قیمت کتاب (تومان) : 29,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 8

در صورت تبدیل فایل کتاب Probabilistic Inference Using Markov Chain Monte Carlo Methods 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 استنتاج احتمالی با استفاده از روش های مونت کارلو زنجیره مارکوف 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 استنتاج احتمالی با استفاده از روش های مونت کارلو زنجیره مارکوف

در این بررسی، من نقش استنتاج احتمالی در هوش مصنوعی را بیان می‌کنم، نظریه زنجیره‌های مارکوف را ارائه می‌کنم، و الگوریتم‌های مختلف مونت کارلو زنجیره مارکوف را همراه با تعدادی از تکنیک‌های پشتیبانی شرح می‌دهم. من سعی می‌کنم تصویری جامع از طیف وسیعی از روش‌های توسعه‌یافته ارائه کنم، از جمله تکنیک‌هایی از ادبیات گوناگون که هنوز کاربرد وسیعی در هوش مصنوعی نداشته‌اند، اما مرتبط به نظر می‌رسند. به عنوان مثال های گویا، من از مسائل استنتاج احتمالی در سیستم های خبره، کشف کلاس های نهفته از داده ها و یادگیری بیزی برای شبکه های عصبی استفاده می کنم.

توضیحاتی درمورد کتاب به خارجی

In this review, I outline the role of probabilistic inference in artificial intelligence, present the theory of Markov chains, and describe various Markov chain Monte-Carlo algorithms, along with a number of supporting techniques. I try to present a comprehensive picture of the range of methods that have been developed, including techniques from the varied literature that have not yet seen wide application in artificial intelligence, but which appear relevant. As illustrative examples, I use the problems of probabilistic inference in expert systems, discovery of latent classes from data, and Bayesian learning for neural networks.