ساخت مدل های گرافیکی احتمالی با پایتون
دسته: برنامه نویسی، پایتونکتاب “ساخت مدلهای گرافیکی احتمالی با پایتون” یک راهنمای کوتاه و کاربردی است که به دانشمندان داده اجازه میدهد تا مفاهیم مدلهای گرافیکی را درک کنند و آنها را قادر میسازد تا با استفاده از قطعه کدهای کوچک پایتون، بدون آنکه از لحاظ ریاضی بسیار پیچیده باشد، آن مدلها را امتحان کنند.
آنچه شما در این کتاب یاد خواهید گرفت:
ایجاد شبکههای بیزی و ساخت فرآیند استنتاج
یادگیری ساختار شبکههای بیزی سببی از دادهها. کسب بینش لازم در زمینه الگوریتمهایی که فرآیند استنتاج را اجرا میکنند
کاوش برآورد پارامتر در شبکههای بیز با نمونهبرداری PyMC
درک پیچیدگی اجرای الگوریتمهای استنتاج در شبکههای بیز
کاوش آنکه چرا مدلهای گرافیکی میتوانند دستهبندیکنندههای قدرتمند را در مشکلات خاص، مغلوب سازند.
آنچه شما در این کتاب یاد خواهید گرفت:
ایجاد شبکههای بیزی و ساخت فرآیند استنتاج
یادگیری ساختار شبکههای بیزی سببی از دادهها. کسب بینش لازم در زمینه الگوریتمهایی که فرآیند استنتاج را اجرا میکنند
کاوش برآورد پارامتر در شبکههای بیز با نمونهبرداری PyMC
درک پیچیدگی اجرای الگوریتمهای استنتاج در شبکههای بیز
کاوش آنکه چرا مدلهای گرافیکی میتوانند دستهبندیکنندههای قدرتمند را در مشکلات خاص، مغلوب سازند.
سال انتشار: 2014 | 172 صفحه | حجم فایل: 8 مگابایت | زبان: انگلیسی
نویسنده
Kiran R Karkera
ناشر
Packt Publishing
ISBN10:
1783289007
ISBN13:
9781783289004
قیمت: 16000 تومان
برچسبها: پایتون Solve machine learning problems using probabilistic graphical models implemented in Python with real-world applicationsAbout This Book
Stretch the limits of machine learning by learning how graphical models provide an insight on particular problems, especially in high dimension areas such as image processing and NLP
Solve real-world problems using Python libraries to run inferences using graphical models
A practical, step-by-step guide that introduces readers to representation, inference, and learning using Python libraries best suited to each task Who This Book Is For
If you are a data scientist who knows about machine learning and want to enhance your knowledge of graphical models, such as Bayes network, in order to use them to solve real-world problems using Python libraries, this book is for you.This book is intended for those who have some Python and machine learning experience, or are exploring the machine learning field.What You Will Learn
Create Bayesian networks and make inferences
Learn the structure of causal Bayesian networks from data
Gain an insight on algorithms that run inference
Explore parameter estimation in Bayes nets with PyMC sampling
Understand the complexity of running inference algorithms in Bayes networks
Discover why graphical models can trump powerful classifiers in certain problems In Detail
With the increasing prominence in machine learning and data science applications, probabilistic graphical models are a new tool that machine learning users can use to discover and analyze structures in complex problems. The variety of tools and algorithms under the PGM framework extend to many domains such as natural language processing, speech processing, image processing, and disease diagnosis.
You've probably heard of graphical models before, and you're keen to try out new landscapes in the machine learning area. This book gives you enough background information to get started on graphical models, while keeping the math to a minimum.