Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 25.08.2026 ab einem Mindestbestellwert von 30€ auf Spielzeug, Schreibwaren, Filme, Geschenke & Trends, Musik, tolino eReader & Zubehör, Hörbücher und Hörbuch-Downloads (außer Abo), nicht preisgebundene Bücher und Kalender online auf thalia.at und in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Aufgrund der Buchpreisbindung sind deutschsprachige Bücher und eBooks ausgenommen. Zusätzlich ausgenommen sind preisgebundene Artikel, Abos & Flatrates, eBooks, Games, Geschenkkarten/-boxen, Shelfies, Software, Zeitschriften sowie einzelne Artikel von tonies®. Pro Einkauf einmal einlösbar. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Versandkosten und Services. Preisgebundene Artikel sind vom Mindestbestellwert ausgeschlossen.
  • Produktbild: Expert Systems and Probabilistic Network Models
  • Produktbild: Expert Systems and Probabilistic Network Models
  • Produktbild: Expert Systems and Probabilistic Network Models
- 10%

Expert Systems and Probabilistic Network Models

Aus der Reihe Monographs in Computer Science
10% sparen

127,99 € UVP 142,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.09.2011

Abbildungen

XIV, 605 p.

Verlag

Springer Us

Seitenzahl

605

Maße (L/B/H)

23,5/15,5/3,4 cm

Gewicht

931 g

Sprache

Englisch

ISBN

978-1-4612-7481-0

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.09.2011

Abbildungen

XIV, 605 p.

Verlag

Springer Us

Seitenzahl

605

Maße (L/B/H)

23,5/15,5/3,4 cm

Gewicht

931 g

Sprache

Englisch

ISBN

978-1-4612-7481-0

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Expert Systems and Probabilistic Network Models
  • Produktbild: Expert Systems and Probabilistic Network Models
  • Produktbild: Expert Systems and Probabilistic Network Models
  • Preface.- 1 Introduction.- 1.1 Introduction.- 1.2 What Is an Expert System?.- 1.3 Motivating Examples.- 1.4 Why Expert Systems?.- 1.5 Types of Expert System.- 1.6 Components of an Expert System.- 1.7 Developing an Expert System.- 1.8 Other Areas of AI.- 1.9 Concluding Remarks.- 2 Rule-Based Expert Systems.- 2.1 Introduction.- 2.2 The Knowledge Base.- 2.3 The Inference Engine.- 2.4 Coherence Control.- 2.5 Explaining Conclusions.- 2.6 Some Applications.- 2.7 Introducing Uncertainty.- Exercises.- 3 Probabilistic Expert Systems.- 3.1 Introduction.- 3.2 Some Concepts in Probability Theory.- 3.3 Generalized Rules.- 3.4 Introducing Probabilistic Expert Systems.- 3.5 The Knowledge Base.- 3.6 The Inference Engine.- 3.7 Coherence Control.- 3.8 Comparing Rule-Based and Probabilistic Expert Systems.- Exercises.- 4 Some Concepts of Graphs.- 4.1 Introduction.- 4.2 Basic Concepts and Definitions.- 4.3 Characteristics of Undirected Graphs.- 4.4 Characteristics of Directed Graphs.- 4.5 Triangulated Graphs.- 4.6 Cluster Graphs.- 4.7 Representation of Graphs.- 4.8 Some Useful Graph Algorithms.- Exercises.- 5 Building Probabilistic Models.- 5.1 Introduction.- 5.2 Graph Separation.- 5.3 Some Properties of Conditional Independence.- 5.4Special Types of Input Lists.- 5.5 Factorizations of the JPD.- 5.6 Constructing the JPD.- Appendix to Chapter 5.- Exercises.- 6 Graphically Specified Models.- 6.1 Introduction.- 6.2 Some Definitions and Questions.- 6.3 Undirected Graph Dependency Models.- 6.4 Directed Graph Dependency Models.- 6.5 Independence Equivalent Graphical Models.- 6.6 Expressiveness of Graphical Models.- Exercises.- 7 Extending Graphically Specified Models.- 7.1 Introduction.- 7.2 Models Specified by Multiple Graphs.- 7.3 Models Specified by Input Lists.- 7.4 Multifactorized Probabilistic Models.- 7.5 Multifactorized Multinomial Models.- 7.6 Multifactorized Normal Models.- 7.7 Conditionally Specified Probabilistic Models.- Exercises.- 8 Exact Propagation in Probabilistic Network Models.- 8.1 Introduction.- 8.2 Propagation of Evidence.- 8.3 Propagation in Polytrees.- 8.4 Propagation in Multiply-Connected Networks.- 8.5 Conditioning Method.- 8.6 Clustering Methods.- 8.7 Propagation Using Join Trees.- 8.8 Goal-Oriented Propagation.- 8.9 Exact Propagation in Gaussian Networks.- Exercises.- 9 Approximate Propagation Methods.- 9.1 Introduction.- 9.2 Intuitive Basis of Simulation Methods.- 9.3 General Frame for Simulation Methods.- 9.4 Acceptance-Reject ion Sampling Method.- 9.5 Uniform Sampling Method.- 9.6 The Likelihood Weighing Sampling Method.- 9.7 Backward-Forward Sampling Method.- 9.8 Markov Sampling Method.- 9.9 Systematic Sampling Method.- 9.10 Maximum Probability Search Method.- 9.11 Complexity Analysis.- Exercises.- 10 Symbolic Propagation of Evidence.- 10.1 Introduction.- 10.2 Notation and Basic Framework.- 10.3 Automatic Generation of Symbolic Code.- 10.4 Algebraic Structure of Probabilities.- 10.5 Symbolic Propagation Through Numeric Computations.- 10.6 Goal-Oriented Symbolic Propagation.- 10.7 Symbolic Treatment of Random Evidence.- 10.8 Sensitivity Analysis.- 10.9 Symbolic Propagation in Gaussian Bayesian Networks.- Exercises.- 11 Learning Bayesian Networks.- 11.1 Introduction.- 11.2 Measuring the Quality of a Bayesian Network Model.- 11.3 Bayesian Quality Measures.- 11.4 Bayesian Measures for Multinomial Networks.- 11.5 Bayesian Measures for Multinormal Networks.- 11.6 Minimum Description Length Measures.- 11.7 Information Measures.- 11.8 Further Analyses of Quality Measures.- 11.9 Bayesian Network Search Algorithms.- 11.10 The Case of Incomplete Data.- Appendix to Chapter 11: Bayesian Statistics.- Exercises.- 12 Case Studies.- 12.1 Introduction.- 12.2 Pressure Tank System.- 12.3 Power Distribution System.- 12.4 Damage of Concrete Structures.- 12.5 Damage of Concrete Structures: The Gaussian Model.- Exercises.- List of Notation.- References.