توضیحات
Markov Chain Monte Carlo (MCMC) methods are now an indispensable tool in scientific computing. This book discusses recent developments of MCMC methods with an emphasis on those making use of past sample information during simulations. The application examples are drawn from diverse fields such as bioinformatics, machine learning, social science, combinatorial optimization, and computational physics.Key Features:Expanded coverage of the stochastic approximation Monte Carlo and dynamic weighting algorithms that are essentially immune to local trap problems.A detailed discussion of the Monte Carlo Metropolis-Hastings algorithm that can be used for sampling from distributions with intractable normalizing constants.Up-to-date accounts of recent developments of the Gibbs sampler.Comprehensive overviews of the population-based MCMC algorithms and the MCMC algorithms with adaptive proposals.This book can be used as a textbook or a reference book for a one-semester graduate course in statistics, computational biology, engineering, and computer sciences. Applied or theoretical researchers will also find this book beneficial.
————————————————————–
ترجمه ماشینی :
روشهای مونت کارلو زنجیره مارکوف (MCMC) اکنون ابزاری ضروری در محاسبات علمی هستند. این کتاب پیشرفتهای اخیر روشهای MCMC را با تأکید بر روشهایی که از اطلاعات نمونه گذشته در طول شبیهسازی استفاده میکنند، بحث میکند. مثالهای کاربردی از زمینههای مختلفی مانند بیوانفورماتیک، یادگیری ماشین، علوم اجتماعی، بهینهسازی ترکیبی، و فیزیک محاسباتی استخراج شدهاند. ویژگیهای کلیدی: پوشش گستردهای از تقریب تصادفی مونت کارلو و الگوریتمهای وزندهی پویا که اساساً از مشکلات تله محلی مصون هستند. بحث مفصل در مورد الگوریتم کلان شهر مونت کارلو-هیستینگ که می تواند برای نمونه برداری از توزیع هایی با ثابت های عادی سازی غیرقابل حل استفاده شود. حساب های به روز از پیشرفت های اخیر نمونه گیرنده گیبس. مروری جامع بر الگوریتم های MCMC مبتنی بر جمعیت و الگوریتم های MCMC با پیشنهادات تطبیقی. این کتاب را می توان به عنوان یک کتاب درسی یا یک کتاب مرجع برای دوره تحصیلات تکمیلی یک ترم در آمار، زیست شناسی محاسباتی، مهندسی و علوم کامپیوتر استفاده کرد. محققان کاربردی یا نظری نیز این کتاب را مفید خواهند یافت.
tag : دانلود کتاب روشهای پیشرفته زنجیره مارکوف مونت کارلو: یادگیری از نمونههای گذشته (سری Wiley در آمار محاسباتی) , Download روشهای پیشرفته زنجیره مارکوف مونت کارلو: یادگیری از نمونههای گذشته (سری Wiley در آمار محاسباتی) , دانلود روشهای پیشرفته زنجیره مارکوف مونت کارلو: یادگیری از نمونههای گذشته (سری Wiley در آمار محاسباتی) , Download Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples (Wiley Series in Computational Statistics) Book , روشهای پیشرفته زنجیره مارکوف مونت کارلو: یادگیری از نمونههای گذشته (سری Wiley در آمار محاسباتی) دانلود , buy روشهای پیشرفته زنجیره مارکوف مونت کارلو: یادگیری از نمونههای گذشته (سری Wiley در آمار محاسباتی) , خرید کتاب روشهای پیشرفته زنجیره مارکوف مونت کارلو: یادگیری از نمونههای گذشته (سری Wiley در آمار محاسباتی) , دانلود کتاب Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples (Wiley Series in Computational Statistics) , کتاب Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples (Wiley Series in Computational Statistics) , دانلود Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples (Wiley Series in Computational Statistics) , خرید Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples (Wiley Series in Computational Statistics) , خرید کتاب Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples (Wiley Series in Computational Statistics) ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.