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
ویرایش: نویسندگان: Simona Cocco, Rémi Monasson, Francesco Zamponi سری: ISBN (شابک) : 0198864744, 9780198864745 ناشر: Oxford University Press سال نشر: 2022 تعداد صفحات: 191 [193] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب From Statistical Physics to Data-Driven Modelling: with Applications to Quantitative Biology 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 از فیزیک آماری تا مدلسازی مبتنی بر داده: با کاربردها در زیستشناسی کمی 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.
مطالعه بیشتر زمینه های علمی به دلیل پیشرفت ابزاری و
تجربی در نظارت و دستکاری سیستم های پیچیده ساخته شده از بسیاری
از اجزای میکروسکوپی، اکنون بر مقدار روزافزونی از داده ها متکی
است. چگونه می توانیم چنین داده هایی را درک کنیم و از آنها برای
افزایش درک خود از سیستم های بیولوژیکی، فیزیکی و شیمیایی استفاده
کنیم؟
هدف اصلی این کتاب درسی با هدف دانشجویان کارشناسی ارشد فیزیک،
ریاضیات کاربردی و زیست شناسی محاسباتی، معرفی مفاهیم و روش های
لازم برای پاسخ به این سوال در تلاقی نظریه احتمال، آمار، بهینه
سازی، آمار است. فیزیک، استنتاج و یادگیری ماشینی.
هدف دوم این کتاب ارائه کاربردهای عملی برای این روشها است که به
دانشآموزان اجازه میدهد تا ایدهها و تکنیکهای اساسی را جذب
کنند. در حالی که خوانندگان این کتاب درسی به دانش اولیه در
برنامه نویسی (پایتون یا یک زبان معادل آن) نیاز دارند، تأکید
اصلی بر دقت ریاضی نیست، بلکه بر توسعه شهود و ارتباطات عمیق با
فیزیک آماری است.
The study of most scientific fields now relies on an
ever-increasing amount of data, due to instrumental and
experimental progress in monitoring and manipulating complex
systems made of many microscopic constituents. How can we make
sense of such data, and use them to enhance our understanding
of biological, physical, and chemical systems?
Aimed at graduate students in physics, applied mathematics, and
computational biology, the primary objective of this textbook
is to introduce the concepts and methods necessary to answer
this question at the intersection of probability theory,
statistics, optimisation, statistical physics, inference, and
machine learning.
The second objective of this book is to provide practical
applications for these methods, which will allow students to
assimilate the underlying ideas and techniques. While readers
of this textbook will need basic knowledge in programming
(Python or an equivalent language), the main emphasis is not on
mathematical rigour, but on the development of intuition and
the deep connections with statistical physics.