دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Bayesian Data Analysis
دانلود کتاب تجزیه و تحلیل داده های بیزی
مشخصات کتاب
Bayesian Data Analysis
ویرایش: [3 ed.] نویسندگان: Andrew Gelman, John B. Carlin, Hal S. Stern, David B. Dunson, Aki Vehtari, Donald B. Rubin سری: Chapman & Hall/CRC Texts in Statistical Science ISBN (شابک) : 1439840954, 9781439840955 ناشر: Chapman and Hall/CRC سال نشر: 2014 تعداد صفحات: xiv+640 [656] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 14 Mb
قیمت کتاب (تومان) : 38,000
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.
توضیحاتی در مورد کتاب تجزیه و تحلیل داده های بیزی
اکنون در چاپ سوم خود، این کتاب کلاسیک به طور گسترده به عنوان متن پیشرو در روش های بیزی در نظر گرفته می شود که به دلیل رویکرد قابل دسترس و عملی آن برای تجزیه و تحلیل داده ها و حل مشکلات تحقیق مورد تحسین قرار می گیرد. تجزیه و تحلیل داده های بیزی، ویرایش سوم همچنان به رویکرد کاربردی برای تجزیه و تحلیل با استفاده از روش های به روز بیزی ادامه می دهد. نویسندگان - همه رهبران جامعه آمار - مفاهیم اساسی را از دیدگاه تحلیل داده ها قبل از ارائه روش های پیشرفته معرفی می کنند. در سرتاسر متن، نمونه‌های کار شده متعددی که از کاربردها و تحقیقات واقعی استخراج شده‌اند، بر استفاده از استنتاج بیزی در عمل تأکید دارند.
جدید به نسخه سوم
- چهار فصل جدید در مورد مدلسازی ناپارامتریک
- پوشش مقدمات اطلاعاتی ضعیف و مقدمات مرزی اجتنابی
- بحث به روز شده در مورد معیارهای اعتبار متقابل و اطلاعات پیش بینی شده
- پایش همگرایی بهبود یافته و محاسبات اندازه نمونه موثر برای شبیه سازی تکراری
- ارائه مونت کارلو هامیلتونی، بیزهای متغیر، و انتشار انتظار
- کد نرم افزار جدید و اصلاح شده
این کتاب را می توان به سه روش مختلف استفاده کرد. برای دانشجویان مقطع کارشناسی، استنتاج بیزی را با شروع از اصول اولیه معرفی می کند. برای دانشجویان فارغ التحصیل، این متن رویکردهای موثر فعلی را برای مدلسازی و محاسبات بیزی در آمار و زمینه‌های مرتبط ارائه می‌کند. برای محققان، مجموعه‌ای از روش‌های بیزی در آمار کاربردی ارائه می‌کند. مواد اضافی، از جمله مجموعه داده‌های مورد استفاده در مثال‌ها، راه‌حل‌های تمرین‌های انتخاب‌شده، و دستورالعمل‌های نرم‌افزار، در صفحه وب کتاب موجود است.
توضیحاتی درمورد کتاب به خارجی
Now in its third edition, this classic book is widely considered the leading text on Bayesian methods, lauded for its accessible, practical approach to analyzing data and solving research problems. Bayesian Data Analysis, Third Edition continues to take an applied approach to analysis using up-to-date Bayesian methods. The authors—all leaders in the statistics community—introduce basic concepts from a data-analytic perspective before presenting advanced methods. Throughout the text, numerous worked examples drawn from real applications and research emphasize the use of Bayesian inference in practice.
New to the Third Edition
- Four new chapters on nonparametric modeling
- Coverage of weakly informative priors and boundary-avoiding priors
- Updated discussion of cross-validation and predictive information criteria
- Improved convergence monitoring and effective sample size calculations for iterative simulation
- Presentations of Hamiltonian Monte Carlo, variational Bayes, and expectation propagation
- New and revised software code
The book can be used in three different ways. For undergraduate students, it introduces Bayesian inference starting from first principles. For graduate students, the text presents effective current approaches to Bayesian modeling and computation in statistics and related fields. For researchers, it provides an assortment of Bayesian methods in applied statistics. Additional materials, including data sets used in the examples, solutions to selected exercises, and software instructions, are available on the book’s web page.
فهرست مطالب
FUNDAMENTALS OF BAYESIAN INFERENCE Probability and Inference Single-Parameter Models Introduction to Multiparameter Models Asymptotics and Connections to Non-Bayesian Approaches Hierarchical Models FUNDAMENTALS OF BAYESIAN DATA ANALYSIS Model Checking Evaluating, Comparing, and Expanding Models Modeling Accounting for Data Collection Decision Analysis ADVANCED COMPUTATION Introduction to Bayesian Computation Basics of Markov Chain Simulation Computationally Efficient Markov Chain Simulation Modal and Distributional Approximations REGRESSION MODELS Introduction to Regression Models Hierarchical Linear Models Generalized Linear Models Models for Robust Inference Models for Missing Data NONLINEAR AND NONPARAMETRIC MODELS Parametric Nonlinear Models Basic Function Models Gaussian Process Models Finite Mixture Models Dirichlet Process Models APPENDICES A: Standard Probability Distributions B: Outline of Proofs of Asymptotic Theorems C: Computation in R and Stan
