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
دسته بندی: آمار ریاضی ویرایش: نویسندگان: Müller. Peter, Paulino. Carlos Daniel, Turkman. M. Antónia Amaral سری: Institute of Mathematical Statistics textbooks 11 ISBN (شابک) : 1108481035, 9781108703741 ناشر: Cambridge University Press سال نشر: 2018 تعداد صفحات: 257 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب آمار بیزی محاسباتی: مقدمه: آمار بیزی، نظریه تصمیم
در صورت تبدیل فایل کتاب Computational Bayesian statistics : an introduction 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 آمار بیزی محاسباتی: مقدمه 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.
استفاده معنادار از روش های پیشرفته بیزی مستلزم درک خوب اصول است. این کتاب جذاب، ایدههایی را توضیح میدهد که زیربنای ساخت و تحلیل مدلهای بیزی، با تمرکز ویژه بر روشها و طرحهای محاسباتی است. ویژگیهای منحصربهفرد متن، بحث گسترده در مورد بستههای نرمافزاری موجود همراه با مقدمهای مختصر اما کامل و ریاضی دقیق برای استنتاج بیزی است. این متن روشهای مونت کارلو، روشهای مونت کارلو زنجیره مارکوف و نرمافزار بیزی را با مطالب اضافی در مورد اعتبارسنجی و مقایسه مدل، MCMC فرا بعدی و مدلهای گاوسی مشروط معرفی میکند. گنجاندن مسائل، کتاب را به عنوان یک کتاب درسی برای اولین دوره تحصیلات تکمیلی در محاسبات بیزی با تمرکز بر روش های مونت کارلو مناسب می کند. بحث گسترده نرم افزار بیزی - R/R-INLA، OpenBUGS، JAGS، STAN، و BayesX - آن را برای محققان و دانشجویان فارغ التحصیل از آمارهای فراتر نیز مفید می کند.
Meaningful use of advanced Bayesian methods requires a good understanding of the fundamentals. This engaging book explains the ideas that underpin the construction and analysis of Bayesian models, with particular focus on computational methods and schemes. The unique features of the text are the extensive discussion of available software packages combined with a brief but complete and mathematically rigorous introduction to Bayesian inference. The text introduces Monte Carlo methods, Markov chain Monte Carlo methods, and Bayesian software, with additional material on model validation and comparison, transdimensional MCMC, and conditionally Gaussian models. The inclusion of problems makes the book suitable as a textbook for a first graduate-level course in Bayesian computation with a focus on Monte Carlo methods. The extensive discussion of Bayesian software - R/R-INLA, OpenBUGS, JAGS, STAN, and BayesX - makes it useful also for researchers and graduate students from beyond statistics.