An Introduction to Sequential Monte Carlo

ویرایش: [1st ed.] 
نویسندگان: Nicolas Chopin. Omiros Papaspiliopoulos  
سری: Springer Series in Statistics 
ISBN (شابک) : 9783030478445, 9783030478452 
ناشر: Springer International Publishing;Springer 
سال نشر: 2020 
تعداد صفحات: XXIV, 378
[390] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 Mb 

قیمت کتاب (تومان) : 32,000



این کتاب مقدمه ای کلی بر روش های متوالی مونت کارلو (SMC) که به عنوان فیلتر ذرات نیز شناخته می شود، ارائه می دهد. این روش‌ها به یک عنصر اصلی برای تجزیه و تحلیل متوالی داده‌ها در زمینه‌های متنوعی مانند پردازش سیگنال، اپیدمیولوژی، یادگیری ماشینی، بوم‌شناسی جمعیت، امور مالی کمی، و روباتیک تبدیل شده‌اند.

این پوشش جامع است و از موارد اساسی متفاوت است. نظریه تا پیاده سازی محاسباتی، روش شناسی و کاربردهای متنوع در حوزه های مختلف علم. این امر با توصیف الگوریتم‌های SMC به عنوان موارد خاص از یک چارچوب کلی به دست می‌آید که شامل مفاهیمی مانند توزیع‌های Feynman-Kac و ابزارهایی مانند نمونه‌گیری اهمیت و نمونه‌گیری مجدد است. این چارچوب کلی به طور مداوم در سراسر کتاب استفاده می شود.

پوشش گسترده ای در مورد یادگیری متوالی (فیلتر کردن، صاف کردن) مدل های فضای حالت (مارکوف پنهان) ارائه شده است، زیرا این یک کاربرد مهم روش های SMC است. کاربردهای جدیدتر، مانند تخمین پارامتر این مدل‌ها (از طریق تکنیک‌های مونت کارلو زنجیره مارکوف ذرات) و شبیه‌سازی توزیع‌های احتمال چالش برانگیز (مثلاً استنتاج بیزی یا مسائل رویدادهای نادر)، نیز مورد بحث قرار گرفته‌اند.

این کتاب ممکن است به‌عنوان یک متن فارغ‌التحصیل در مورد روش‌های مونت کارلوی متوالی و مدل‌سازی فضای حالت، یا به‌عنوان یک کار مرجع کلی در این منطقه مورد استفاده قرار گیرد. هر فصل شامل مجموعه‌ای از تمرین‌ها برای خودآموزی، کتاب‌شناسی جامع و یک «گوشه پایتون» است که اجرای عملی روش‌های تحت پوشش را مورد بحث قرار می‌دهد. علاوه بر این، این کتاب دارای یک کتابخانه منبع باز پایتون است که تمام الگوریتم‌های توضیح داده شده در کتاب را پیاده‌سازی می‌کند و شامل تمام برنامه‌هایی است که برای انجام آزمایش‌های عددی استفاده شده‌اند.

</ p>

This book provides a general introduction to Sequential Monte Carlo (SMC) methods, also known as particle filters. These methods have become a staple for the sequential analysis of data in such diverse fields as signal processing, epidemiology, machine learning, population ecology, quantitative finance, and robotics.

The coverage is comprehensive, ranging from the underlying theory to computational implementation, methodology, and diverse applications in various areas of science. This is achieved by describing SMC algorithms as particular cases of a general framework, which involves concepts such as Feynman-Kac distributions, and tools such as importance sampling and resampling. This general framework is used consistently throughout the book.

Extensive coverage is provided on sequential learning (filtering, smoothing) of state-space (hidden Markov) models, as this remains an important application of SMC methods. More recent applications, such as parameter estimation of these models (through e.g. particle Markov chain Monte Carlo techniques) and the simulation of challenging probability distributions (in e.g. Bayesian inference or rare-event problems), are also discussed.

The book may be used either as a graduate text on Sequential Monte Carlo methods and state-space modeling, or as a general reference work on the area. Each chapter includes a set of exercises for self-study, a comprehensive bibliography, and a “Python corner,” which discusses the practical implementation of the methods covered. In addition, the book comes with an open source Python library, which implements all the algorithms described in the book, and contains all the programs that were used to perform the numerical experiments.