ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Information geometry

دانلود کتاب هندسه اطلاعات

Information geometry

مشخصات کتاب

Information geometry

دسته بندی: ریاضیات
ویرایش:  
نویسندگان:   
سری: Ergebnisse der Mathematik und ihrer Grenzgebiete 64. 
ISBN (شابک) : 9783319564784, 3319564781 
ناشر: Springer 
سال نشر: 2017 
تعداد صفحات: 411 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت

قیمت کتاب (تومان) : 36,000



کلمات کلیدی مربوط به کتاب هندسه اطلاعات: مدل های هندسی در آمار، ریاضیات / کاربردی، ریاضیات / احتمالات و آمار / عمومی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Information geometry 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 هندسه اطلاعات 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 هندسه اطلاعات

\"کتاب یک مقدمه جامع و یک پایه ریاضی جدید از زمینه هندسه اطلاعات با اثبات کامل و مطالب پیش زمینه دقیق در مورد نظریه اندازه گیری، هندسه ریمانی و نظریه فضای باناخ ارائه می دهد. مدل های اندازه گیری پارامتری به عنوان اجسام هندسی اساسی تعریف می شوند که می توانند بر اساس این مدل‌ها، میدان‌های تانسور متعارف معرفی شده و بیشتر مورد مطالعه قرار گرفته است، از جمله متریک فیشر و تانسور آماری-چنتسوف، و جاسازی‌های منیفولدهای آماری مورد بررسی قرار می‌گیرند. سپس این پایه جدید منجر به نکات برجسته کاربردی می‌شود، مانند تعمیم و بسط نتیجه منحصربه‌فرد کلاسیک Chentsov یا نابرابری Cramér-Rao. علاوه بر این، چندین زمینه کاربردی جدید هندسه اطلاعات برجسته می‌شوند، به عنوان مثال سلسله مراتبی و گرافیکی. مدل‌ها، نظریه پیچیدگی، ژنتیک جمعیت، یا زنجیره مارکوف مونت کارلو. این کتاب برای ریاضیدانانی که به هندسه، نظریه اطلاعات یا مبانی آمار علاقه مند هستند، برای آماردانان و همچنین دانشمندان علاقه مند به مبانی ریاضی سیستم های پیچیده مورد علاقه خواهد بود.\"--  بیشتر بخوانید...


توضیحاتی درمورد کتاب به خارجی

"The book provides a comprehensive introduction and a novel mathematical foundation of the field of information geometry with complete proofs and detailed background material on measure theory, Riemannian geometry and Banach space theory.  Parametrised measure models are defined as fundamental geometric objects, which can be both finite or infinite dimensional. Based on these models, canonical tensor fields are introduced and further studied, including the Fisher metric and the Amari-Chentsov tensor, and embeddings of statistical manifolds are investigated.This novel foundation then leads to application highlights, such as generalizations and extensions of the classical uniqueness result of Chentsov or the Cramér-Rao inequality.  Additionally, several new application fields of information geometry are highlighted, for instance hierarchical and graphical models, complexity theory, population genetics, or Markov Chain Monte Carlo. The book will be of interest to mathematicians who are interested in geometry, information theory, or the foundations of statistics, to statisticians as well as to scientists interested in the mathematical foundations of complex systems."--  Read more...



فهرست مطالب

Information Geometry
 Preface
 Acknowledgements
 Contents
 Chapter 1: Introduction
 1.1 A Brief Synopsis
 1.2 An Informal Description
 1.2.1 The Fisher Metric and the Amari-Chentsov Structure for Finite Sample Spaces
 1.2.2 In nite Sample Spaces and Functional Analysis
 1.2.3 Parametric Statistics
 1.2.4 Exponential and Mixture Families from the Perspective of Differential Geometry
 1.2.5 Information Geometry and Information Theory
 1.3 Historical Remarks
 1.4 Organization of this Book
 Chapter 2: Finite Information Geometry
 2.1 Manifolds of Finite Measures
 2.2 The Fisher Metric 2.3 Gradient Fields2.4 The m- and e-Connections
 2.5 The Amari-Chentsov Tensor and the alpha-Connections
 2.5.1 The Amari-Chentsov Tensor
 2.5.2 The alpha-Connections
 2.6 Congruent Families of Tensors
 2.7 Divergences
 2.7.1 Gradient-Based Approach
 2.7.2 The Relative Entropy
 2.7.3 The alpha-Divergence
 2.7.4 The f-Divergence
 2.7.5 The q-Generalization of the Relative Entropy
 2.8 Exponential Families
 2.8.1 Exponential Families as Af ne Spaces
 2.8.2 Implicit Description of Exponential Families
 2.8.3 Information Projections
 2.9 Hierarchical and Graphical Models
 2.9.1 Interaction Spaces 2.9.2 Hierarchical Models2.9.3 Graphical Models
 Chapter 3: Parametrized Measure Models
 3.1 The Space of Probability Measures and the Fisher Metric
 3.2 Parametrized Measure Models
 3.2.1 The Structure of the Space of Measures
 3.2.2 Tangent Fibration of Subsets of Banach Manifolds
 3.2.3 Powers of Measures
 3.2.4 Parametrized Measure Models and k-Integrability
 3.2.5 Canonical n-Tensors of an n-Integrable Model
 3.2.6 Signed Parametrized Measure Models
 3.3 The Pistone-Sempi Structure
 3.3.1 e-Convergence
 3.3.2 Orlicz Spaces
 3.3.3 Exponential Tangent Spaces Chapter 4: The Intrinsic Geometry of Statistical Models4.1 Extrinsic Versus Intrinsic Geometric Structures
 4.2 Connections and the Amari-Chentsov Structure
 4.3 The Duality Between Exponential and Mixture Families
 4.4 Canonical Divergences
 4.4.1 Dual Structures via Divergences
 4.4.2 A General Canonical Divergence
 4.4.3 Recovering the Canonical Divergence of a Dually Flat Structure
 4.4.4 Consistency with the Underlying Dualistic Structure
 4.5 Statistical Manifolds and Statistical Models
 4.5.1 Statistical Manifolds and Isostatistical Immersions 4.5.2 Monotone Invariants of Statistical Manifolds4.5.3 Immersion of Compact Statistical Manifolds into Linear Statistical Manifolds
 4.5.4 Proof of the Existence of Isostatistical Immersions
 4.5.5 Existence of Statistical Embeddings
 Chapter 5: Information Geometry and Statistics
 5.1 Congruent Embeddings and Suf cient Statistics
 5.1.1 Statistics and Congruent Embeddings
 5.1.2 Markov Kernels and Congruent Markov Embeddings
 5.1.3 Fisher-Neyman Suf cient Statistics
 5.1.4 Information Loss and Monotonicity
 5.1.5 Chentsov's Theorem and Its Generalization




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی