Andere Kunden interessierten sich auch für
![AIME 91]( "AIME 91")
AIME 9179,99 €![So lügt man mit Statistik]( "So lügt man mit Statistik")
So lügt man mit Statistik22,00 €![The Analytics of Uncertainty and Information, Second Edition]( "The Analytics of Uncertainty and Information, Second Edition")
The Analytics of Uncertainty and Information, Second Edition44,99 €![Uncertainty Forecasting in Engineering]( "Uncertainty Forecasting in Engineering")
Uncertainty Forecasting in Engineering74,99 €![Dealing with Uncertainties]( "Dealing with Uncertainties")
Dealing with Uncertainties77,99 €![Decision Making with Dominance Constraints in Two-Stage Stochastic Integer Programming]( "Decision Making with Dominance Constraints in Two-Stage Stochastic Integer Programming")
Decision Making with Dominance Constraints in Two-Stage Stochastic Integer Programming106,99 €![Likelihood-basierte Entscheidungstheorie unter Unsicherheit. Das Minimax-Prinzip und das Bayes-Prinzip]( "Likelihood-basierte Entscheidungstheorie unter Unsicherheit. Das Minimax-Prinzip und das Bayes-Prinzip")
Likelihood-basierte Entscheidungstheorie unter Unsicherheit. Das Minimax-Prinzip und das Bayes-Prinzip17,95 €
Das menschliche Wissen ist meist nur unsicher und vage. Es ist aber trotzdem brauchbar. Wir sind imstande, auch mit unsicherem Wissen Schlüsse zu ziehen und Entscheidungen zu treffen. Dem Phänomen der Unsicherheit begegnen manche Menschen sogar täglich in ihrem Beruf. Probabilistische Methoden und Netzwerke bilden eine geeignete Möglichkeit Unsicherheit zu modellieren und unter Einbezug vorhandener Daten die bestmöglichen Entscheidungen zu treffen. Dabei bieten die heutigen Rechnerkapazitäten die Möglichkeit auch komplexe Netzwerke in akzeptabler Zeit zu inferieren. Die Hauptproblematik liegt allerdings darin, dass menschliche Experten kaum im Stande sind komplexe Netze von Hand einzugeben. Diese Aufgabe wird ebenfalls von Computern übernommen und mittlerweile erfolgreich gelöst. Ziel dieses Buches besteht darin, anhand einer aktuellen Recherche die wichtigsten maschinellen Lernverfahren zusammenzutragen und ihre Bedeutung für probabilistische Netzwerke hervorzuheben.