دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Learning Probabilistic Graphical Models in R
دانلود کتاب یادگیری مدل های گرافیکی احتمالی در R
مشخصات کتاب
Learning Probabilistic Graphical Models in R
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
قیمت کتاب (تومان) : 49,000
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.
توضیحاتی در مورد کتاب یادگیری مدل های گرافیکی احتمالی در R
ویژگی های کلیدی
- پیش بینی و استفاده از مدل های گرافیکی احتمالی (PGM) به عنوان یک سیستم خبره
- درک اینکه چگونه کامپیوتر شما می تواند مدل سازی بیزی را برای حل مسائل دنیای واقعی بیاموزد.
- آشنایی با نحوه تهیه داده ها و تغذیه مدل ها با استفاده از الگوریتم های مناسب از بسته R مناسب
توضیحات کتاب
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.
آنچه خواهید آموخت
- درک مفاهیم PGM و نوع PGM برای استفاده از کدام مشکل
- تنظیم پارامترهای مدل و کشف مدل های جدید به صورت خودکار
- درک اصول اولیه مدل‌های بیزی، از ساده به پیشرفته
- تبدیل مدل رگرسیون خطی قدیمی به یک مدل احتمالی قدرتمند
- از مدل‌های صنعتی استاندارد اما با قدرت PGM استفاده کنید
- درک مدل های پیشرفته مورد استفاده در صنعت امروزی
- نحوه محاسبه توزیع پسین را با الگوریتم های استنتاج دقیق و تقریبی ببینید
درباره نویسنده
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.
فهرست محتوا
- استدلال احتمالی
- استنتاج دقیق
- پارامترهای یادگیری
- مدل سازی بیزی – مدل های پایه
- استنتاج تقریبی
- مدل سازی بیزی – مدل های خطی
- مدل های مخلوط احتمالی< /li>
- ضمیمه
توضیحاتی درمورد کتاب به خارجی
Key Features
- Predict and use a probabilistic graphical models (PGM) as an expert system
- Comprehend how your computer can learn Bayesian modeling to solve real-world problems
- Know how to prepare data and feed the models by using the appropriate algorithms from the appropriate R package
Book Description
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.
What you will learn
- Understand the concepts of PGM and which type of PGM to use for which problem
- Tune the model's parameters and explore new models automatically
- Understand the basic principles of Bayesian models, from simple to advanced
- Transform the old linear regression model into a powerful probabilistic model
- Use standard industry models but with the power of PGM
- Understand the advanced models used throughout today's industry
- See how to compute posterior distribution with exact and approximate inference algorithms
About the Author
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.
Table of Contents
- Probabilistic Reasoning
- Exact Inference
- Learning Parameters
- Bayesian Modeling – Basic Models
- Approximate Inference
- Bayesian Modeling – Linear Models
- Probabilistic Mixture Models
- Appendix
