دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Reasoning with Probabilistic and Deterministic Graphical Models. Exact Algorithms
دانلود کتاب استدلال با مدل های گرافیکی احتمالی و قطعی. الگوریتم های دقیق
مشخصات کتاب
Reasoning with Probabilistic and Deterministic Graphical Models. Exact Algorithms
ویرایش: 2
نویسندگان: Rina Dechter
سری: Synthesis Lectures on Artificial Intelligence and Machine Learning
ISBN (شابک) : 9781681734910
ناشر: Morgan & Claypool
سال نشر: 2019
تعداد صفحات: 190
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 46,000
در صورت تبدیل فایل کتاب Reasoning with Probabilistic and Deterministic Graphical Models. Exact Algorithms 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 استدلال با مدل های گرافیکی احتمالی و قطعی. الگوریتم های دقیق 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 استدلال با مدل های گرافیکی احتمالی و قطعی. الگوریتم های دقیق
مدل‌های گرافیکی (مانند شبکه‌های بیزی و محدودیت، نمودارهای تأثیرگذار و فرآیندهای تصمیم مارکوف) به یک پارادایم مرکزی برای بازنمایی دانش و استدلال در هوش مصنوعی و علوم رایانه به طور کلی تبدیل شده‌اند. این مدل‌ها برای انجام بسیاری از وظایف استدلالی مانند زمان‌بندی، برنامه‌ریزی و یادگیری، تشخیص و پیش‌بینی، طراحی، تأیید سخت‌افزار و نرم‌افزار و بیوانفورماتیک استفاده می‌شوند. این مسائل را می توان به عنوان وظایف رسمی رضایت و رضایت پذیری محدودیت، بهینه سازی ترکیبی و استنتاج احتمالی بیان کرد. به خوبی شناخته شده است که کارها از نظر محاسباتی سخت هستند، اما تحقیقات در طول سه دهه گذشته اصول و تکنیک های مختلفی را به دست آورده است که به طور قابل توجهی وضعیت هنر را ارتقا داده است. این کتاب پوشش جامعی از الگوریتم های دقیق اولیه برای استدلال با چنین مدل هایی ارائه می دهد. ویژگی اصلی مورد بهره برداری الگوریتم ها نمودار مدل است. ما طرح‌های مبتنی بر استنتاج، ارسال پیام (به عنوان مثال، حذف متغیر) و طرح‌های شرطی‌سازی مبتنی بر جستجو (به‌عنوان مثال، شرطی‌سازی مجموعه برش چرخه و جستجوی AND/OR) را ارائه می‌کنیم. هر طبقه دارای ویژگی های متمایزی است و به ویژه رفتار زمانی در مقابل مکان متفاوتی دارد. ما بر وابستگی هر دو طرح به چند پارامتر نمودار مانند پهنای درخت، مجموعه چرخه و ارتفاع (شبه درخت) تأکید می کنیم. نسخه جدید شامل مفهوم نمودارهای نفوذ است که بر تصمیم گیری متوالی در شرایط عدم قطعیت تمرکز دارد. ما معتقدیم که اصول ذکر شده در کتاب به خوبی در حرکت رو به جلو به سمت طرح‌های تقریبی و مبتنی بر هر زمان مفید است. مخاطبان این کتاب پژوهشگران و دانشجویان حوزه هوش مصنوعی و یادگیری ماشین و فراتر از آن هستند.
توضیحاتی درمورد کتاب به خارجی
Graphical models (e.g., Bayesian and constraint networks, influence diagrams, and Markov decision processes) have become a central paradigm for knowledge representation and reasoning in both artificial intelligence and computer science in general. These models are used to perform many reasoning tasks, such as scheduling, planning and learning, diagnosis and prediction, design, hardware and software verification, and bioinformatics. These problems can be stated as the formal tasks of constraint satisfaction and satisfiability, combinatorial optimization, and probabilistic inference. It is well known that the tasks are computationally hard, but research during the past three decades has yielded a variety of principles and techniques that significantly advanced the state of the art. This book provides comprehensive coverage of the primary exact algorithms for reasoning with such models. The main feature exploited by the algorithms is the model's graph. We present inference-based, message-passing schemes (e.g., variable-elimination) and search-based, conditioning schemes (e.g., cycle-cutset conditioning and AND/OR search). Each class possesses distinguished characteristics and in particular has different time vs. space behavior. We emphasize the dependence of both schemes on few graph parameters such as the treewidth, cycle-cutset, and (the pseudo-tree) height. The new edition includes the notion of influence diagrams, which focus on sequential decision making under uncertainty. We believe the principles outlined in the book would serve well in moving forward to approximation and anytime-based schemes. The target audience of this book is researchers and students in the artificial intelligence and machine learning area, and beyond.
فهرست مطالب
Preface......Page 8
Probabilistic vs. Deterministic Models......Page 10
Directed vs. Undirected Models......Page 13
General Graphical Models......Page 15
Inference and Search-Based Schemes......Page 16
Overview of the Book......Page 17
General Graphical Models......Page 18
Basic Definitions......Page 20
Types of Graphs......Page 21
Constraint Networks......Page 23
Cost Networks......Page 26
Probability Networks......Page 28
Bayesian Networks......Page 29
Markov Networks......Page 31
Influence Diagrams......Page 33
Mixed Networks......Page 35
Summary and Bibliographical Notes......Page 38
Inference - Bucket Elimination for Deterministic Networks......Page 40
Bucket Elimination for Constraint Networks......Page 0
Bucket Elimination for Propositional CNFs......Page 45
Bucket Elimination for Linear Inequalities......Page 49
Trees......Page 50
Finding Good Orderings......Page 51
Chordal Graphs......Page 53
Summary and Bibliography Notes......Page 55
Belief Updating and Probability of Evidence......Page 56
Deriving BE-bel......Page 57
Complexity of BE-bel......Page 63
The Impact of Observations......Page 65
Bucket Elimination for Optimization Tasks......Page 68
A Bucket Elimination Algorithm for mpe......Page 69
A Bucket Elimination Algorithm for map......Page 71
Bucket Elimination for Markov Networks......Page 72
Bucket Elimination for Influence Diagrams......Page 73
Bucket Elimination for Cost Networks and Dynamic Programming......Page 78
Bucket Elimination for Mixed Networks......Page 80
The General Bucket Elimination......Page 85
Summary and Bibliographical Notes......Page 86
Appendix: Proofs......Page 87
Bucket-Tree Elimination......Page 88
Asynchronous Bucket-Tree Propagation......Page 94
From Buckets to Clusters – the Short Route......Page 95
Acyclic Graphical Models......Page 97
Tree Decomposition and Cluster Tree Elimination......Page 99
Generating Tree Decompositions......Page 102
Correctness of CTE......Page 105
Complexity of CTE......Page 108
Belief Updating and Probability of Evidence......Page 109
Constraint Networks......Page 112
Summary and Bibliographical Notes......Page 114
Appendix: Proofs......Page 115
AND/OR Search Spaces for Graphical Models......Page 119
AND/OR Search Trees......Page 121
Weights of OR-AND Arcs......Page 124
Pseudo Trees......Page 125
Properties of AND/OR Search Trees......Page 126
AND/OR Search Graphs......Page 128
Generating Compact AND/OR Search Spaces......Page 131
Building Context-Minimal AND/OR Search Graphs......Page 132
Size of AND/OR Graph......Page 135
Pseudo Trees Created from Induced-Graphs......Page 136
Hypergraph Decompositions......Page 137
Value Functions of Reasoning Problems......Page 140
Searching and/or Tree (AOT) and and/or Graph (AOG)......Page 142
Complexity......Page 144
AND/OR Search Algorithms For Mixed Networks......Page 147
AND-OR-cpe Algorithm......Page 149
Constraint Propagation in AND-OR-cpe......Page 150
Summary and Bibliographical Notes......Page 154
Appendix: Proofs......Page 155
Cutset-Conditioning for Constraints......Page 157
General Cutset-Conditioning......Page 160
Alternating Conditioning and Elimination......Page 162
The Super-Cluster Schemes......Page 164
AND/OR Cutset-Conditioning......Page 166
Algorithm Adaptive Caching (AOC(q))......Page 168
Relations Between AOC(q), AO-ALT-VEC(q) and AO-VEC(q)......Page 170
AOC(q) Compared with STCE(q)......Page 175
Summary and Bibliographical Notes......Page 176
Appendix: Proofs......Page 177
Conclusion......Page 179
Biblio......Page 181
