دانلود کتاب تصمیم گیری استراتژیک اقتصادی: استفاده از شبکه های باور بیزی برای حل مسائل پیچیده بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Strategic Economic Decision-Making: Using Bayesian Belief Networks to Solve Complex Problems
ویرایش : 1
عنوان ترجمه شده به فارسی : تصمیم گیری استراتژیک اقتصادی: استفاده از شبکه های باور بیزی برای حل مسائل پیچیده
سری : SpringerBriefs in Statistics 9
نویسندگان : Jeff Grover (auth.)
ناشر : Springer-Verlag New York
سال نشر : 2013
تعداد صفحات : 121
ISBN (شابک) : 9781461460398 , 9781461460404
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 1 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
تصمیمگیری استراتژیک اقتصادی: استفاده از شبکههای باور بیزی برای حل مسائل پیچیده مقدمهای سریع در مورد این موضوع است که خوانندگان را با پیچیدگیها و تفاوتهای اساسی مرتبط با یادگیری نظریه بیز آشنا میکند. احتمال معکوس برای اولین بار این مختصر برای غیرآماردانانی است که با قضیه بیز آشنا نیستند و آنها را در مراحل نظری انتخاب مجموعه و مجموعه نمونه، بدیهیات احتمال، نظریه احتمالات مربوط به قضیه بیز و احتمالات پسین میگذرانند. همه این مفاهیم همانطور که در روش برازش مدل بیز ظاهر میشوند توضیح داده میشوند و پس از تکمیل متن، خوانندگان میتوانند به صورت ریاضی احتمالات پسین گرههای مستقل متعدد را در هر سیستمی که برای مطالعه در دسترس است، تعیین کنند. در زمینه نظریه گسسته بیز، مطالب بسیار کمی منتشر شده است، و این مختصر برای غیر آماردانانی که در زمینه های مهندسی، محاسبات، علوم زیستی و علوم اجتماعی تحقیق می کنند، جذاب خواهد بود.
Strategic Economic Decision-Making: Using Bayesian Belief Networks to Solve Complex Problems is a quick primer on the topic that introduces readers to the basic complexities and nuances associated with learning Bayes’ theory and inverse probability for the first time. This brief is meant for non-statisticians who are unfamiliar with Bayes’ theorem, walking them through the theoretical phases of set and sample set selection, the axioms of probability, probability theory as it pertains to Bayes’ theorem, and posterior probabilities. All of these concepts are explained as they appear in the methodology of fitting a Bayes’ model, and upon completion of the text readers will be able to mathematically determine posterior probabilities of multiple independent nodes across any system available for study. Very little has been published in the area of discrete Bayes’ theory, and this brief will appeal to non-statisticians conducting research in the fields of engineering, computing, life sciences, and social sciences.