Réseau bayésien
ebook ∣ Modélisation de l'incertitude dans les systèmes robotiques · Sciences Robotiques [French]
By Fouad Sabry
Sign up to save your library
With an OverDrive account, you can save your favorite libraries for at-a-glance information about availability. Find out more about OverDrive accounts.
Find this title in Libby, the library reading app by OverDrive.

Search for a digital library with this title
Title found at these libraries:
Library Name | Distance |
---|---|
Loading... |
1 : Réseau bayésien : approfondir les concepts fondamentaux des réseaux bayésiens et leurs applications.
2 : Modèle statistique : explorer le cadre des modèles statistiques essentiels à l'interprétation des données.
3 : Fonction de vraisemblance : comprendre l'importance des fonctions de vraisemblance dans le raisonnement probabiliste.
4 : Inférence bayésienne : découvrir comment l'inférence bayésienne améliore les processus de prise de décision avec les données.
5 : Reconnaissance de modèles : étudier les méthodes de reconnaissance de modèles dans des ensembles de données complexes.
6 : Statistiques suffisantes : découvrir comment des statistiques suffisantes simplifient l'analyse des données tout en conservant les informations.
7 : Processus gaussien : examiner les processus gaussiens et leur rôle dans la modélisation de l'incertitude.
8 : Probabilité postérieure : comprendre le calcul des probabilités postérieures pour des prédictions éclairées.
9 : Modèle graphique : comprendre la structure et l'utilité des modèles graphiques dans la représentation des relations.
10 : Probabilité a priori : étudier l'importance des probabilités a priori dans le raisonnement bayésien.
11 : Échantillonnage de Gibbs : apprenez les techniques d'échantillonnage de Gibbs pour un échantillonnage statistique efficace.
12 : Estimation a posteriori maximale : découvrez l'estimation MAP comme méthode d'optimisation des modèles bayésiens.
13 : Champ aléatoire conditionnel : explorez l'utilisation des champs aléatoires conditionnels dans la prédiction structurée.
14 : Distribution multinomiale de Dirichlet : comprenez la distribution multinomiale de Dirichlet dans l'analyse de données catégorielles.
15 : Modèles graphiques pour la structure des protéines : étudiez les applications des modèles graphiques en bioinformatique.
16 : Modèles de graphes aléatoires de famille exponentielle : explorez les graphes aléatoires de famille exponentielle pour l'analyse de réseau.
17 : Théorème de Bernstein-von Mises : découvrez les implications du théorème de Bernstein-von Mises en statistique.
18 : Modélisation hiérarchique bayésienne : explorez les modèles hiérarchiques pour l'analyse de structures de données complexes.
19 : Graphoïde : comprenez le concept de graphoïdes et leur signification dans les relations de dépendance.
20 : Réseau de dépendance (modèle graphique) : étudier les réseaux de dépendance dans des cadres de modèles graphiques.
21 : Numérique probabiliste : examiner les numériques probabilistes pour des méthodes de calcul améliorées.