Rede Bayesiana - Modelagem de Incerteza em Sistemas Robóticos
Fouad Sabry
Traductor Felipe Azevedo
Editorial: Um Bilhão Bem Informado [Portuguese]
Sinopsis
1: Rede bayesiana: aprofunde-se nos conceitos fundamentais das redes bayesianas e suas aplicações. 2: Modelo estatístico: explore a estrutura de modelos estatísticos cruciais para a interpretação de dados. 3: Função de verossimilhança: entenda a importância das funções de verossimilhança no raciocínio probabilístico. 4: Inferência bayesiana: aprenda como a inferência bayesiana aprimora os processos de tomada de decisão com dados. 5: Reconhecimento de padrões: investigue métodos para reconhecer padrões em conjuntos de dados complexos. 6: Estatística suficiente: descubra como estatísticas suficientes simplificam a análise de dados enquanto retêm informações. 7: Processo gaussiano: examine os processos gaussianos e seu papel na modelagem da incerteza. 8: Probabilidade posterior: obtenha insights sobre o cálculo de probabilidades posteriores para previsões informadas. 9: Modelo gráfico: entenda a estrutura e a utilidade dos modelos gráficos na representação de relacionamentos. 10: Probabilidade anterior: estude a importância das probabilidades anteriores no raciocínio bayesiano. 11: Amostragem de Gibbs: Aprenda técnicas de amostragem de Gibbs para amostragem estatística eficiente. 12: Estimativa máxima a posteriori: Descubra a estimativa MAP como um método para otimizar modelos bayesianos. 13: Campo aleatório condicional: Explore o uso de campos aleatórios condicionais em predição estruturada. 14: Distribuição multinomial de Dirichlet: Entenda a distribuição multinomial de Dirichlet em análise de dados categóricos. 15: Modelos gráficos para estrutura de proteína: Investigue aplicações de modelos gráficos em bioinformática. 16: Modelos de grafos aleatórios de família exponencial: Mergulhe em grafos aleatórios de família exponencial para análise de rede. 17: Teorema de Bernstein–von Mises: Aprenda as implicações do teorema de Bernstein–von Mises em estatística. 18: Modelagem hierárquica bayesiana: Explore modelos hierárquicos para analisar estruturas de dados complexas. 19: Grafoide: Entenda o conceito de grafoides e sua importância em relações de dependência. 20: Rede de dependência (modelo gráfico): Investigue redes de dependência em estruturas de modelos gráficos. 21: Numéricos probabilísticos: Examine numéricos probabilísticos para métodos computacionais aprimorados.
Disponible desde: 18/12/2024.
Longitud de impresión: 491 páginas.
