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: [1 ed.] نویسندگان: Gérard Toulouse (auth.), Peter Grassberger, Jean-Pierre Nadal (eds.) سری: NATO ASI Series 428 ISBN (شابک) : 9789401044653, 9789401110686 ناشر: Springer Netherlands سال نشر: 1994 تعداد صفحات: 355 [350] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 Mb
در صورت تبدیل فایل کتاب From Statistical Physics to Statistical Inference and Back 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 گرفته تا استنباط آماری و برگشت 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.
فیزیکدانان، هنگام مدلسازی سیستمهای فیزیکی با درجات آزادی
زیاد، و آماردانان، هنگام انجام تجزیه و تحلیل دادهها، مفاهیم
و روشهای خود را برای ایجاد «بهترین» استنتاج توسعه دادهاند.
اما آیا این روش ها معادل هستند یا خیر؟ وضعیت هنر در استنتاج
چگونه است؟ فیزیکدانان پاسخ می خواهند. بیشتر: محاسبات عصبی
نیاز به درک واضح تری از نحوه استنتاج سیستم های عصبی دارد.
تئوری سیستمهای غیرخطی آشوبزده که برای تحلیل سریهای زمانی
اعمال میشود، میتواند از تجربهای که قبلاً توسط آماردانان
رزرو شده بود، سود ببرد. و در نهایت، حدس دیرینه ای وجود دارد
که برخی از معماهای مکانیک کوانتومی به دلیل درک ناقص ما از
نحوه استنتاج ما است. اهمیت کافی برای تحریک نوشتن کتابی مانند
کتاب حاضر.
اما ملاحظات دیگری نیز مطرح می شود، مانند روش حداکثر آنتروپی و
استنتاج بیزی، نظریه اطلاعات و حداقل طول توصیف. در نهایت،
اشاره می شود که درک استنباط انسانی ممکن است نیاز به نظرات
روانشناسان داشته باشد. این بحث پر جنب و جوش، که مورد توجه حاد
فعلی است، به خوبی در کار حاضر خلاصه شده است.
Physicists, when modelling physical systems with a large
number of degrees of freedom, and statisticians, when
performing data analysis, have developed their own concepts
and methods for making the `best' inference. But are these
methods equivalent, or not? What is the state of the art in
making inferences? The physicists want answers. More: neural
computation demands a clearer understanding of how neural
systems make inferences; the theory of chaotic nonlinear
systems as applied to time series analysis could profit from
the experience already booked by the statisticians; and
finally, there is a long-standing conjecture that some of the
puzzles of quantum mechanics are due to our incomplete
understanding of how we make inferences. Matter enough to
stimulate the writing of such a book as the present
one.
But other considerations also arise, such as the maximum
entropy method and Bayesian inference, information theory and
the minimum description length. Finally, it is pointed out
that an understanding of human inference may require input
from psychologists. This lively debate, which is of acute
current interest, is well summarized in the present
work.