دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan
دانلود کتاب انجام تجزیه و تحلیل داده بیزی: آموزش با R، JAGS، و Stan
مشخصات کتاب
Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan
ویرایش: 2nd
نویسندگان: John K. Kruschke
سری:
ISBN (شابک) : 0124058884, 9780124058880
ناشر: Academic Press
سال نشر: 2014
تعداد صفحات: 748
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
قیمت کتاب (تومان) : 51,000
کلمات کلیدی مربوط به کتاب انجام تجزیه و تحلیل داده بیزی: آموزش با R، JAGS، و Stan: احتمالات و آمار، کاربردی، ریاضیات، علوم و ریاضی، آنالیز ریاضی، ریاضیات، علوم و ریاضی، آمار، ریاضیات، علوم و ریاضیات، کتاب های درسی جدید، مستعمل و اجاره ای، بوتیک تخصصی
در صورت تبدیل فایل کتاب Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan 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 انجام تجزیه و تحلیل داده بیزی: آموزش با R، JAGS، و Stan 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 انجام تجزیه و تحلیل داده بیزی: آموزش با R، JAGS، و Stan
انجام تجزیه و تحلیل داده های بیزی: آموزش با R، JAGS، و Stan، ویرایش دوم یک رویکرد قابل دسترس برای انجام تجزیه و تحلیل داده های بیزی ارائه می دهد، زیرا مطالب به وضوح با مثال های ملموس توضیح داده شده است. شامل دستورالعمل های گام به گام در مورد نحوه انجام تجزیه و تحلیل داده های بیزی در نرم افزار محبوب و رایگان R و WinBugs و همچنین برنامه های جدید در JAGS و Stan است. برنامه های جدید به گونه ای طراحی شده اند که استفاده از آنها بسیار ساده تر از اسکریپت های نسخه اول باشد. به‌ویژه، اکنون اسکریپت‌های سطح بالا فشرده‌ای وجود دارد که اجرای برنامه‌ها را در مجموعه داده‌های شخصی شما آسان می‌کند.
کتاب به سه بخش تقسیم می‌شود و با اصول اولیه شروع می‌شود: مدل‌ها، احتمال، بیز. قانون و زبان برنامه نویسی R. سپس بحث پیش از پایان دادن به فصل‌هایی در مورد مدل خطی تعمیم‌یافته، به سمت اصول کاربردی برای استنتاج احتمال دوجمله‌ای می‌رود. موضوعات شامل متغیرهای متریک پیش بینی شده در یک یا دو گروه است. متغیر متریک پیش بینی شده با یک پیش بینی متریک. متغیر پیش‌بینی‌شده متریک با پیش‌بینی‌کننده‌های متریک متعدد؛ متغیر پیش‌بینی‌شده متریک با یک پیش‌بینی‌کننده اسمی؛ و متغیر متریک پیش بینی شده با چند پیش بینی کننده اسمی. تمرین‌های موجود در متن دارای اهداف و دستورالعمل‌های صریح برای دستیابی به موفقیت هستند.
این کتاب برای دانشجویان سال اول تحصیلات تکمیلی یا کارشناسی ارشد در آمار، تجزیه و تحلیل داده‌ها، روان‌شناسی، علوم شناختی، علوم اجتماعی، علوم بالینی در نظر گرفته شده است. و علوم مصرف در تجارت.
- در دسترس، از جمله اصول اولیه مفاهیم اساسی احتمال و نمونه گیری تصادفی
- نمونه هایی با زبان برنامه نویسی R و نرم افزار JAGS
- پوشش جامع تمامی سناریوها توسط کتاب‌های درسی غیر بایز بررسی شده است: آزمون‌های t، آنالیز واریانس (ANOVA) و مقایسه در ANOVA، رگرسیون چندگانه و کای‌دو (تحلیل جدول اقتضایی)
- پوشش برنامه‌ریزی آزمایش < li>کد برنامه نویسی کامپیوتری R و JAGS در وب سایت
- تمرینات دارای اهداف و دستورالعمل های صریح برای انجام هستند
-
دستورالعمل های گام به گام در مورد نحوه انجام تجزیه و تحلیل داده های بیزی در نرم افزار محبوب و رایگان R و WinBugs
توضیحاتی درمورد کتاب به خارجی
Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan, Second Edition provides an accessible approach for conducting Bayesian data analysis, as material is explained clearly with concrete examples. Included are step-by-step instructions on how to carry out Bayesian data analyses in the popular and free software R and WinBugs, as well as new programs in JAGS and Stan. The new programs are designed to be much easier to use than the scripts in the first edition. In particular, there are now compact high-level scripts that make it easy to run the programs on your own data sets.
The book is divided into three parts and begins with the basics: models, probability, Bayes’ rule, and the R programming language. The discussion then moves to the fundamentals applied to inferring a binomial probability, before concluding with chapters on the generalized linear model. Topics include metric-predicted variable on one or two groups; metric-predicted variable with one metric predictor; metric-predicted variable with multiple metric predictors; metric-predicted variable with one nominal predictor; and metric-predicted variable with multiple nominal predictors. The exercises found in the text have explicit purposes and guidelines for accomplishment.
This book is intended for first-year graduate students or advanced undergraduates in statistics, data analysis, psychology, cognitive science, social sciences, clinical sciences, and consumer sciences in business.
- Accessible, including the basics of essential concepts of probability and random sampling
- Examples with R programming language and JAGS software
- Comprehensive coverage of all scenarios addressed by non-Bayesian textbooks: t-tests, analysis of variance (ANOVA) and comparisons in ANOVA, multiple regression, and chi-square (contingency table analysis)
- Coverage of experiment planning
- R and JAGS computer programming code on website
- Exercises have explicit purposes and guidelines for accomplishment
-
Provides step-by-step instructions on how to conduct Bayesian data analyses in the popular and free software R and WinBugs
فهرست مطالب
Content:
Front Matter, Pages i-ii
Copyright, Page iv
Dedication, Page v
Chapter 1 - What\'s in This Book (Read This First!), Pages 1-11
Part I - Introduction, Page 13
Chapter 2 - Introduction: Credibility, Models, and Parameters, Pages 15-32
Chapter 3 - The R Programming Language, Pages 33-70
Chapter 4 - What is This Stuff Called Probability?, Pages 71-97
Chapter 5 - Bayes\' Rule, Pages 99-120
Part II - Introduction, Page 121
Chapter 6 - Inferring a Binomial Probability via Exact Mathematical Analysis, Pages 123-141
Chapter 7 - Markov Chain Monte Carlo, Pages 143-191
Chapter 8 - JAGS, Pages 193-219
Chapter 9 - Hierarchical Models, Pages 221-264
Chapter 10 - Model Comparison and Hierarchical Modeling, Pages 265-296
Chapter 11 - Null Hypothesis Significance Testing, Pages 297-333
Chapter 12 - Bayesian Approaches to Testing a Point (“Null”) Hypothesis, Pages 335-358
Chapter 13 - Goals, Power, and Sample Size, Pages 359-398
Chapter 14 - Stan, Pages 399-416
Part III - Introduction, Page 417
Chapter 15 - Overview of the Generalized Linear Model, Pages 419-447
Chapter 16 - Metric-Predicted Variable on One or Two Groups, Pages 449-475
Chapter 17 - Metric Predicted Variable with One Metric Predictor, Pages 477-508
Chapter 18 - Metric Predicted Variable with Multiple Metric Predictors, Pages 509-551
Chapter 19 - Metric Predicted Variable with One Nominal Predictor, Pages 553-581
Chapter 20 - Metric Predicted Variable with Multiple Nominal Predictors, Pages 583-620
Chapter 21 - Dichotomous Predicted Variable, Pages 621-648
Chapter 22 - Nominal Predicted Variable, Pages 649-670
Chapter 23 - Ordinal Predicted Variable, Pages 671-702
Chapter 24 - Count Predicted Variable, Pages 703-719
Chapter 25 - Tools in the Trunk, Pages 721-736
Bibliography, Pages 737-745
Index, Pages 747-759
