Bayesian Inference and Maximum Entropy Methods in Science and Engineering

ویرایش: [1st ed.] 
نویسندگان: Adriano Polpo,  Julio Stern,  Francisco Louzada,  Rafael Izbicki,  Hellinton Takada  
سری: Springer Proceedings in Mathematics & Statistics 239 
ISBN (شابک) : 9783319911427, 9783319911434 
ناشر: Springer International Publishing 
سال نشر: 2018 
تعداد صفحات: XVI, 304
[306] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 Mb 

قیمت کتاب (تومان) : 31,000



این مقالات از سی و هفتمین کارگاه بین المللی استنتاج بیزی و روش های آنتروپی حداکثر در علم و مهندسی (MaxEnt 2017)، که در سائو کارلوس، برزیل برگزار شد، با هدف گسترش تحقیقات موجود در مورد روش های بیزی و ترویج کاربرد آنها در جامعه علمی آنها تحقیقاتی را از محققان در بسیاری از زمینه‌های مختلف جمع‌آوری می‌کنند که از روش‌های آمار استقرایی استفاده می‌کنند و بر پایه‌های پارادایم بیزی، مقایسه آن‌ها با همتایان آمار عینی‌گرا یا فراوان‌گرا و کاربردهای مناسب آن‌ها تمرکز می‌کنند.

علاقه به مبانی آمار استقرایی با افزایش در دسترس بودن جایگزین‌های روش‌شناختی بیزی رو به افزایش است و دانشمندان اکنون با انتخاب‌های بسیار دشوارتری در یافتن روش‌های بهینه برای اعمال مشکلات خود روبرو هستند. با بررسی و بحث دقیق مبانی مربوطه، جامعه علمی می تواند از به کارگیری روش های بیزی صرفاً به صورت موقت اجتناب کند.

برای بیش از 35 سال، کارگاه های MaxEnt استفاده از روش های بیزی و حداکثر آنتروپی را در زمینه های کاربردی علمی و مهندسی مورد بررسی قرار داده اند. کارگاه‌ها از مشارکت در همه جنبه‌های استنتاج احتمالی، از جمله تکنیک‌ها و کاربردهای جدید، و کارهایی که نور جدیدی بر مبانی استنتاج می‌تاباند، استقبال می‌کنند. زمینه های کاربردی در این کارگاه ها شامل نجوم و اخترفیزیک، شیمی، نظریه ارتباطات، کیهان شناسی، مطالعات آب و هوا، علم زمین، مکانیک سیالات، ژنتیک، ژئوفیزیک، یادگیری ماشین، علم مواد، تصویربرداری پزشکی، علوم نانو، جداسازی منبع، ترمودینامیک (تعادل و غیر) تعادل)، فیزیک ذرات، فیزیک پلاسما، مکانیک کوانتومی، رباتیک، و علوم اجتماعی. تکنیک‌های محاسباتی بیزی مانند نمونه‌برداری مونت کارلوی زنجیره مارکوف نیز مانند روش‌های استنتاجی تقریبی موضوعات معمولی هستند. مسائل اساسی مربوط به نظریه احتمالات و نظریه اطلاعات، و همچنین کاربردهای جدید استنتاج برای روشن کردن مبانی نظریه های فیزیکی، نیز بسیار مورد توجه هستند.

These proceedings from the 37th International Workshop on Bayesian Inference and Maximum Entropy Methods in Science and Engineering (MaxEnt 2017), held in São Carlos, Brazil, aim to expand the available research on Bayesian methods and promote their application in the scientific community. They gather research from scholars in many different fields who use inductive statistics methods and focus on the foundations of the Bayesian paradigm, their comparison to objectivistic or frequentist statistics counterparts, and their appropriate applications.

Interest in the foundations of inductive statistics has been growing with the increasing availability of Bayesian methodological alternatives, and scientists now face much more difficult choices in finding the optimal methods to apply to their problems. By carefully examining and discussing the relevant foundations, the scientific community can avoid applying Bayesian methods on a merely ad hoc basis.

For over 35 years, the MaxEnt workshops have explored the use of Bayesian and Maximum Entropy methods in scientific and engineering application contexts. The workshops welcome contributions on all aspects of probabilistic inference, including novel techniques and applications, and work that sheds new light on the foundations of inference. Areas of application in these workshops include astronomy and astrophysics, chemistry, communications theory, cosmology, climate studies, earth science, fluid mechanics, genetics, geophysics, machine learning, materials science, medical imaging, nanoscience, source separation, thermodynamics (equilibrium and non-equilibrium), particle physics, plasma physics, quantum mechanics, robotics, and the social sciences. Bayesian computational techniques such as Markov chain Monte Carlo sampling are also regular topics, as are approximate inferential methods. Foundational issues involving probability theory and information theory, as well as novel applications of inference to illuminate the foundations of physical theories, are also of keen interest.