دانلود کتاب Bayesian nonparametrics via neural networks

ترجمه فارسی توضیحات (ترجمه ماشینی)

ناپارامتریک های بیزی از طریق شبکه های عصبی

ناپارامتریک های بیزی از طریق شبکه های عصبی اولین کتابی است که بر روی شبکه های عصبی در زمینه رگرسیون و طبقه بندی ناپارامتریک تمرکز دارد و در پارادایم بیزی کار می کند. هدف آن ابهام زدایی از شبکه های عصبی، قرار دادن آنها در یک زمینه آماری به جای تلقی آنها به عنوان یک جعبه سیاه است. این رویکرد برخلاف کتاب‌های موجود است که تمایل دارند شبکه‌های عصبی را به عنوان یک الگوریتم یادگیری ماشینی به جای یک مدل آماری در نظر بگیرند. هنگامی که این مدل آماری اساسی شناسایی شد، می توان از سایر تکنیک های آماری استاندارد برای بهبود مدل استفاده کرد.

رویکرد بیزی امکان محاسبه بهتر عدم قطعیت را فراهم می کند. این کتاب عدم قطعیت در انتخاب مدل و روش‌های مقابله با این موضوع را پوشش می‌دهد و تعدادی ایده از آمار و یادگیری ماشین را بررسی می‌کند. یک بحث مفصل در مورد انتخاب پیشینهای غیر اطلاعاتی قبلی و جدید، همراه با بررسی ادبیات قابل توجهی گنجانده شده است. ناپارامتری بیزی از طریق شبکه های عصبی که برای آماردانان با استفاده از اصطلاحات آماری نوشته شده است، آماردانان را به درک بیشتری از مدل شبکه عصبی و کاربرد آن در مسائل دنیای واقعی هدایت می کند.

برای نشان دادن مفاهیم اصلی ریاضی، نویسنده از دو مثال در سراسر کتاب استفاده می کند: یکی در مورد آلودگی ازن و دیگری در مورد برنامه های اعتباری. روش نشان‌داده‌شده برای مشکلات رگرسیون و طبقه‌بندی مرتبط است و به دلیل کاربردهای بالقوه گسترده روش‌های توصیف‌شده در کتاب، مورد توجه است.

Bayesian nonparametrics via neural networks

Bayesian Nonparametrics via Neural Networks is the first book to focus on neural networks in the context of nonparametric regression and classification, working within the Bayesian paradigm. Its goal is to demystify neural networks, putting them firmly in a statistical context rather than treating them as a black box. This approach is in contrast to existing books, which tend to treat neural networks as a machine learning algorithm instead of a statistical model. Once this underlying statistical model is recognized, other standard statistical techniques can be applied to improve the model.

The Bayesian approach allows better accounting for uncertainty. This book covers uncertainty in model choice and methods to deal with this issue, exploring a number of ideas from statistics and machine learning. A detailed discussion on the choice of prior and new noninformative priors is included, along with a substantial literature review. Written for statisticians using statistical terminology, Bayesian Nonparametrics via Neural Networks will lead statisticians to an increased understanding of the neural network model and its applicability to real-world problems.

To illustrate the major mathematical concepts, the author uses two examples throughout the book: one on ozone pollution and the other on credit applications. The methodology demonstrated is relevant for regression and classification-type problems and is of interest because of the widespread potential applications of the methodologies described in the book.