برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Elements of Computational Statistics

دانلود کتاب عناصر آمار محاسباتی

مشخصات کتاب

Elements of Computational Statistics

دسته بندی: ریاضیات محاسباتی
ویرایش:  
نویسندگان: James E. Gentle  
سری: Statistics and computing 
ISBN (شابک) : 0387954899, 9780387216119 
ناشر: Springer 
سال نشر: 2002 
تعداد صفحات: 439 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 70,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 9

در صورت تبدیل فایل کتاب Elements of Computational Statistics 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 عناصر آمار محاسباتی 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 عناصر آمار محاسباتی

این اساساً نقدی است که من از این کتاب نزدیک به شش سال پیش نوشتم. من کتاب را با علاقه فراوان خواندم. با گذشت شش سال، قطعاً رشد مستمری در سرعت، قابلیت‌های حافظه و اندازه رایانه‌های مدرن وجود داشته است. بنابراین کتاب‌هایی مانند این ممکن است منسوخ شده باشند و باید تجدید نظر شوند. در ابتدا فکر می‌کردم این بازبینی کتاب عالی او با کندی در محاسبات آماری است. اما پس از مرور آن متوجه شدم که این کتابی است در مورد موضوعی که برای من نزدیک و عزیز است، "روش های آماری فشرده محاسباتی". سپس یک فصل کامل در مورد روش های بوت استرپ کشف کردم، موضوعی که مطالعه کرده ام، آموزش داده ام و در مورد آن نوشته ام! من با منتقد تحریریه در مورد محتوای کتاب موافقم. بنابراین من به توضیح مفصلی که فقط تکراری باشد نمی پردازم. تمایزی که جنتل بین محاسبات آماری و آمار محاسباتی انتخاب می کند جالب است. او محاسبات آماری را به عنوان روش های محاسبه می بیند. بنابراین محاسبات آماری شامل روش‌های تحلیل عددی، ادغام مونت کارلو و غیره است. از سوی دیگر، آمار محاسباتی شامل روش‌های فشرده کامپیوتری مانند بوت استرپ، جک نایف، اعتبارسنجی متقابل، آزمایش‌های جایگشت یا تصادفی‌سازی، پیگیری طرح‌ریزی، تخمین تابع، داده‌کاوی، خوشه‌بندی و کرکر است. مواد و روش ها. اما Gentle شامل ابزارهای دیگری است که لزوماً فشرده نیستند مانند تبدیل ها، تخمین پارامتری و برخی روش های گرافیکی. الگوریتم EM و زنجیره مارکوف مونت کارلو را کجا قرار می دهید؟ اینها الگوریتم های محاسباتی هستند و از این رو فکر می کنم به محاسبات آماری تعلق دارند، اما می توانند روش های محاسباتی فشرده ای به خصوص MCMC باشند. جنتل چی میگه خوب، فصل 1 در مورد مقدمات است و او شامل بخشی در مورد نقش بهینه سازی در استنتاج آماری است. در اینجا الگوریتم EM و همچنین بسیاری از تکنیک‌های محاسباتی دیگر مانند حداقل مربعات با وزن مجدد تکراری، ضرب‌کننده‌های لاگرانژ و روش‌های شبه نیوتن به خوبی قرار گرفته است. فصل راه‌اندازی مقدمه‌ای مستقل برای موضوع ارائه می‌دهد که با انتخاب خوبی از منابع پشتیبانی می‌شود. تخمین واریانس و انواع مختلف فواصل اطمینان بوت استرپ برای پارامترها مورد بحث قرار می گیرد. نمونه‌های مستقل موضوع اصلی هستند، اگرچه بخش 4.4 به طور خلاصه موارد وابستگی مانند تجزیه و تحلیل رگرسیون و سری‌های زمانی را توضیح می‌دهد. این کتاب به‌روز و معتبر است و برای هر کسی که علاقه‌مند به روش‌های فشرده کامپیوتری و ارتباط آن با آن است، انتخاب بسیار خوبی است. محاسبات آماری این راهی است که آمار مدرن در حال حرکت است و به همین دلیل ارزش دیدن دارد. من معتقدم تکنیک ها و الگوریتم ها هنوز مفید هستند، اگرچه استراتژی استفاده ممکن است با تغییر در سرعت پردازش تغییر کند.

توضیحاتی درمورد کتاب به خارجی

This is basically a review I wrote of this book nearly six years ago. I read the book with great interest. As six years have past there has definitely been a continual growth in the speed, memory capabilities and size of modern computers. So books like this may be obsolete and should be revised.At first I thought this was a revision of his excellent book with Kennedy on statistical computing. But after browsing it I discovered it was a book on a subject that is near and dear to me, "computationally intensive statistical methods". I then discovered a whole chapter on bootstrap methods, a topic I have studied, taught and written about! I concur with the editorial reviewer on the content of the book. So I will not go into a detailed description that would just be repetitious. The distinction that Gentle chooses to make between statistical computing and computational statistics is interesting. He sees statistical computing as methods of calculation. So statistical computing encompasses numerical analysis methods, Monte Carlo integration etc. On the other hand computational statistics involves computer-intensive methods like bootstrap, jackknife, cross-validation, permutation or randomization tests, projection pursuit, function estimation, data mining, clustering and kernel methods. But Gentle includes some other tools that are not necessarily intensive such as transformations, parametric estimation and some graphical methods.Where would you put the EM algorithm and Markov Chain Monte Carlo? These are computational algorithms and hence I think belong under statistical computing, but they also can be computationally intensive methods especially MCMC. What does Gentle say. Well Chapter 1 is on preliminaries and he includes a section on the role of optimization in statistical inference. Here the EM algorithm is well placed as well as many other computing techniques like iteratively reweighted least squares, Lagrange multipliers and quasi-Newton methods.The bootstrap chapter provides a self-contained introduction to the topic supported by a good choice of references. Variance estimation and the various types of bootstrap confidence intervals for parameters are discussed. Independent samples are the main topic though section 4.4 briefly describes dependency cases such as in regression analysis and time series.The book is up-to-date and authoritative and is a very good choice for anyone interested in computer-intensive methods and its connections to statistical computing. This is the way modern statistics is moving and so is worth looking at. I believe the techniques and algorithms are still useful although strategy of use may change with the change in processing speed.