توضیحات
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.
————————————————————–
ترجمه ماشینی :
مدلهای 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 بسته های زیادی برای پیاده سازی مدل های گرافیکی دارد. ما با نشان دادن نحوه تبدیل یک مدل آماری کلاسیک به یک PGM مدرن شروع می کنیم و سپس به نحوه انجام استنتاج دقیق در مدل های گرافیکی می پردازیم. 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 می کنیم و زمانی که می خواهید پیش بینی انجام دهید، مزیت احتمالی بودن را خواهید دید. در مرحله بعد، در استفاده از بسته های R و پیاده سازی تکنیک های آن مسلط خواهید شد. در نهایت، برنامههای یادگیری ماشینی به شما معرفی میشوند که تأثیر مستقیمی در بسیاری از زمینهها دارند. در اینجا، ما به خوشه بندی و کشف اطلاعات پنهان در داده های بزرگ و همچنین دو روش مهم PCA و ICA برای کاهش اندازه مشکلات بزرگ خواهیم پرداخت.
tag : دانلود کتاب یادگیری مدلهای گرافیکی احتمالی در R: با مدلهای گرافیکی احتمالی از طریق مسائل دنیای واقعی و نمونههای کد گویا در R آشنا شوید. , Download یادگیری مدلهای گرافیکی احتمالی در R: با مدلهای گرافیکی احتمالی از طریق مسائل دنیای واقعی و نمونههای کد گویا در R آشنا شوید. , دانلود یادگیری مدلهای گرافیکی احتمالی در R: با مدلهای گرافیکی احتمالی از طریق مسائل دنیای واقعی و نمونههای کد گویا در R آشنا شوید. , Download Learning Probabilistic Graphical Models in R: Familiarize yourself with probabilistic graphical models through real-world problems and illustrative code examples in R Book , یادگیری مدلهای گرافیکی احتمالی در R: با مدلهای گرافیکی احتمالی از طریق مسائل دنیای واقعی و نمونههای کد گویا در R آشنا شوید. دانلود , buy یادگیری مدلهای گرافیکی احتمالی در R: با مدلهای گرافیکی احتمالی از طریق مسائل دنیای واقعی و نمونههای کد گویا در R آشنا شوید. , خرید کتاب یادگیری مدلهای گرافیکی احتمالی در R: با مدلهای گرافیکی احتمالی از طریق مسائل دنیای واقعی و نمونههای کد گویا در R آشنا شوید. , دانلود کتاب Learning Probabilistic Graphical Models in R: Familiarize yourself with probabilistic graphical models through real-world problems and illustrative code examples in R , کتاب Learning Probabilistic Graphical Models in R: Familiarize yourself with probabilistic graphical models through real-world problems and illustrative code examples in R , دانلود Learning Probabilistic Graphical Models in R: Familiarize yourself with probabilistic graphical models through real-world problems and illustrative code examples in R , خرید Learning Probabilistic Graphical Models in R: Familiarize yourself with probabilistic graphical models through real-world problems and illustrative code examples in R , خرید کتاب Learning Probabilistic Graphical Models in R: Familiarize yourself with probabilistic graphical models through real-world problems and illustrative code examples in R ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.