دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [3rd edition] نویسندگان: Carlin. John B., Dunson. David B., Gelman. Andrew, Rubin. Donald B., Stern. Hal S., Vehtari. Aki سری: Chapman & Hall; EBL-Schweitzer ISBN (شابک) : 9781439898208, 1439898200 ناشر: CRC Press سال نشر: 2013 تعداد صفحات: 656 Seiten [656] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 Mb
در صورت تبدیل فایل کتاب Bayesian Data Analysis به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل داده های بیزی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
فصل 11: مبانی شبیهسازی زنجیره مارکوف فصل 12: شبیهسازی زنجیره مارکوف از نظر محاسباتی کارآمد. فصل 13: تقریب های مودال و توزیعی. بخش چهارم: مدل های رگرسیون. فصل چهاردهم: مقدمه ای بر مدل های رگرسیون; فصل 15: مدل های خطی سلسله مراتبی. فصل 16: مدل های خطی تعمیم یافته. فصل 17: مدلهایی برای استنتاج قوی. فصل 18: مدل هایی برای داده های از دست رفته. بخش پنجم: مدلهای غیرخطی و ناپارامتریک. فصل 19: مدل های غیر خطی پارامتریک. فصل 20: مدل های تابع پایه; فصل 21: مدلهای فرآیند گاوسی. فصل 22: مدلهای مخلوط محدود.
فصل 23: مدلهای فرآیند دیریکله پیوست A: توزیعهای احتمال استاندارد. ضمیمه B: طرح کلی براهین قضایای حدی. ضمیمه C: محاسبات در R و Stan. منابع؛ پوشش پشتی. مبانی محاسباتی شبیهسازی زنجیره مارکوف از لحاظ محاسباتی کارآمد شبیهسازی زنجیره مارکوف مدلهای رگرسیون مقدمهای بر مدلهای رگرسیون خطی سلسله مراتبی.
Chapter 11: Basics of Markov Chain SimulationChapter 12: Computationally Efficient Markov Chain Simulation; Chapter 13: Modal and Distributional Approximations; Part IV: Regression Models; Chapter 14: Introduction to Regression Models; Chapter 15: Hierarchical Linear Models; Chapter 16: Generalized Linear Models; Chapter 17: Models for Robust Inference; Chapter 18: Models for Missing Data; Part V: Nonlinear and Nonparametric Models; Chapter 19: Parametric Nonlinear Models; Chapter 20: Basis Function Models; Chapter 21: Gaussian Process Models; Chapter 22: Finite Mixture Models.
Chapter 23: Dirichlet Process ModelsAppendix A: Standard Probability Distributions; Appendix B: Outline of Proofs of Limit Theorems; Appendix C: Computation in R and Stan; References; Back Cover.
FUNDAMENTALS OF BAYESIAN INFERENCEProbability and InferenceSingle-Parameter Models Introduction to Multiparameter Models Asymptotics and Connections to Non-Bayesian ApproachesHierarchical ModelsFUNDAMENTALS OF BAYESIAN DATA ANALYSISModel Checking Evaluating, Comparing, and Expanding ModelsModeling Accounting for Data Collection Decision AnalysisADVANCED COMPUTATION Introduction to Bayesian Computation Basics of Markov Chain Simulation Computationally Efficient Markov Chain Simulation Modal and Distributional ApproximationsREGRESSION MODELS Introduction to Regression Models Hierarchical Linear.
Fundamentals of Bayesian Inference. Fundamentals of Bayesian Data Analysis. Advanced Computation. Regression Models. Nonlinear and Nonparametric Models. Appendices.