دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: David Bellot
سری:
ناشر: Packt Publishing
سال نشر: 2016
تعداد صفحات: 250
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری مدل های گرافیکی احتمالی در R: علوم کامپیوتر، هوش مصنوعی و یادگیری ماشین، بیوانفورماتیک، شبیهسازی کامپیوتر، سایبرنتیک، تعامل انسان و کامپیوتر، تئوری اطلاعات، رباتیک، تجزیه و تحلیل و طراحی سیستمها، کامپیوتر و فناوری، مدلسازی و طراحی داده، پایگاههای داده و دادههای بزرگ، رایانهها و فناوری، پردازش دادهها پایگاه داده و کلان داده، کامپیوتر و فناوری، توسعه نرم افزار، طراحی نرم افزار، تست و مهندسی، برنامه نویسی، کامپیوتر و فناوری، بوتیک تخصصی، کتاب های درسی جدید، استفاده شده و اجاره ای، کامپیوتر و فناوری، پایگاه داده، گرافیک
در صورت تبدیل فایل کتاب Learning Probabilistic Graphical Models in R 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 یادگیری مدل های گرافیکی احتمالی در R 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.
مدل های گرافیکی احتمالی ( PGM که به عنوان مدلهای گرافیکی نیز شناخته میشود) پیوندی بین نظریه احتمال و نظریه گراف است. به طور کلی، PGM ها از یک نمایش مبتنی بر نمودار استفاده می کنند. دو شاخه از نمایش های گرافیکی توزیع ها معمولا استفاده می شود، یعنی شبکه های بیزی و شبکه های مارکوف. R بستههای زیادی برای پیادهسازی مدلهای گرافیکی دارد.
ما با نشان دادن نحوه تبدیل یک مدل آماری کلاسیک به یک PGM مدرن شروع میکنیم و سپس به نحوه انجام استنتاج دقیق در مدلهای گرافیکی میپردازیم. در ادامه، بسیاری از بستههای مدرن R را به شما معرفی میکنیم که به شما در انجام استنتاج بر روی مدلها کمک میکنند. سپس یک رگرسیون خطی بیزی را اجرا خواهیم کرد و زمانی که میخواهید پیشبینی کنید، مزیت احتمالی بودن را خواهید دید.
بعد، در استفاده از بستههای R و اجرای تکنیکهای آن تسلط خواهید یافت. در نهایت، برنامههای یادگیری ماشینی به شما معرفی میشوند که تأثیر مستقیمی در بسیاری از زمینهها دارند. در اینجا، ما خوشهبندی و کشف اطلاعات پنهان در دادههای بزرگ و همچنین دو روش مهم PCA و ICA را برای کاهش اندازه مشکلات بزرگ پوشش خواهیم داد.
دیوید بلوتفارغ التحصیل دکترای علوم کامپیوتر از INRIA، فرانسه، با تمرکز بر یادگیری ماشین بیزی است. او در مقطع فوق دکتری در دانشگاه کالیفرنیا، برکلی بود و برای شرکت هایی مانند اینتل، اورنج و بانک بارکلیز کار می کرد. او در حال حاضر در صنعت مالی کار می کند، جایی که او الگوریتم های پیش بینی بازار مالی را با استفاده از یادگیری ماشین توسعه می دهد. او همچنین در پروژه های منبع باز مانند کتابخانه Boost C++ مشارکت دارد.
Probabilistic graphical models (PGM, also known as graphical models) are a marriage between probability theory and graph theory. Generally, PGMs use a graph-based representation. Two branches of graphical representations of distributions are commonly used, namely Bayesian networks and Markov networks. R has many packages to implement graphical models.
We'll start by showing you how to transform a classical statistical model into a modern PGM and then look at how to do exact inference in graphical models. Proceeding, we'll introduce you to many modern R packages that will help you to perform inference on the models. We will then run a Bayesian linear regression and you'll see the advantage of going probabilistic when you want to do prediction.
Next, you'll master using R packages and implementing its techniques. Finally, you'll be presented with machine learning applications that have a direct impact in many fields. Here, we'll cover clustering and the discovery of hidden information in big data, as well as two important methods, PCA and ICA, to reduce the size of big problems.
David Bellot is a PhD graduate in computer science from INRIA, France, with a focus on Bayesian machine learning. He was a postdoctoral fellow at the University of California, Berkeley, and worked for companies such as Intel, Orange, and Barclays Bank. He currently works in the financial industry, where he develops financial market prediction algorithms using machine learning. He is also a contributor to open source projects such as the Boost C++ library.