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 Mathematical theory of Bayesian statistics

دانلود کتاب نظریه ریاضی آمار بیزی

Mathematical theory of Bayesian statistics

مشخصات کتاب

Mathematical theory of Bayesian statistics

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781482238068 
ناشر: CRC Press 
سال نشر: 2018 
تعداد صفحات: 331 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 Mb 

قیمت کتاب (تومان) : 39,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Mathematical theory of Bayesian 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 نظریه ریاضی آمار بیزی 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 نظریه ریاضی آمار بیزی

نظریه ریاضی آمار بیزی پایه ریاضی استنتاج بیزی را معرفی می کند که به خوبی شناخته شده است که در بسیاری از مسائل دنیای واقعی از روش حداکثر درستنمایی دقیق تر است. تحقیقات اخیر چندین قانون ریاضی را در آمار بیزی کشف کرده است که با استفاده از آنها هم ضرر تعمیم و هم احتمال حاشیه ای تخمین زده می شود حتی اگر توزیع پسین را نتوان با هیچ توزیع نرمال تقریب زد. ویژگی ها استنتاج بیزی را نه به صورت ذهنی بلکه عینی توضیح می دهد. یک چارچوب ریاضی برای قضایای بیزی مرسوم ارائه می دهد. قضایای جدید را معرفی و اثبات می کند. اعتبار متقاطع و معیارهای اطلاعاتی آمار بیزی از دیدگاه ریاضی مورد بررسی قرار گرفته است. کاربردها را برای چندین مسئله آماری، به عنوان مثال، انتخاب مدل، بهینه‌سازی فراپارامتر و آزمون‌های فرضیه نشان می‌دهد. این کتاب مقدمه های اولیه را برای دانش آموزان، محققان و کاربران آمار بیزی و همچنین ریاضیدانان کاربردی ارائه می دهد. نویسنده سومیو واتانابه، استاد گروه علوم ریاضی و محاسباتی در موسسه فناوری توکیو است. او رابطه بین هندسه جبری و آمار ریاضی را مطالعه می کند.


توضیحاتی درمورد کتاب به خارجی

Mathematical Theory of Bayesian Statistics introduces the mathematical foundation of Bayesian inference which is well-known to be more accurate in many real-world problems than the maximum likelihood method. Recent research has uncovered several mathematical laws in Bayesian statistics, by which both the generalization loss and the marginal likelihood are estimated even if the posterior distribution cannot be approximated by any normal distribution. Features Explains Bayesian inference not subjectively but objectively. Provides a mathematical framework for conventional Bayesian theorems. Introduces and proves new theorems. Cross validation and information criteria of Bayesian statistics are studied from the mathematical point of view. Illustrates applications to several statistical problems, for example, model selection, hyperparameter optimization, and hypothesis tests. This book provides basic introductions for students, researchers, and users of Bayesian statistics, as well as applied mathematicians. Author Sumio Watanabe is a professor of Department of Mathematical and Computing Science at Tokyo Institute of Technology. He studies the relationship between algebraic geometry and mathematical statistics.



فهرست مطالب

Content: Definition of Bayesian Statistics Bayesian Statistics Probability distribution True Distribution Statistical model, prior, and posterior Examples of Posterior Distributions Estimation and Generalization Marginal Likelihood or Partition Function Conditional Independent Cases Statistical Models Normal Distribution Multinomial Distribution Linear regression Neural Network Finite Normal Mixture Nonparametric Mixture Basic Formula of Bayesian Observables Formal Relation between True and Model Normalized Observables Cumulant Generating Functions Basic Bayesian Theory Regular Posterior Distribution Division of Partition Function Asymptotic Free Energy Asymptotic Losses Proof of Asymptotic Expansions Point Estimators Standard Posterior Distribution Standard Form State Density Function Asymptotic Free Energy Renormalized Posterior Distribution Conditionally Independent Case General Posterior Distribution Bayesian Decomposition Resolution of Singularities General Asymptotic Theory Maximum A Posteriori Method Markov Chain Monte Carlo Metropolis Method Basic Metropolis Method Hamiltonian Monte Carlo Parallel Tempering Gibbs Sampler Gibbs Sampler for Normal Mixture Nonparametric Bayesian Sampler Numerical Approximation of Bayesian Observables Generalization and Cross Validation Losses Numerical Free Energy Information Criteria Model Selection Criteria for Generalization Loss Comparison of ISCV with WAIC Criteria for Free Energy Discussion for Model Selection Hyperparameter Optimization Criteria for Generalization Loss Criterion for Free energy Discussion for Hyperparameter Optimization Topics in Bayesian Statistics Formal Optimality Bayesian Hypothesis Test Bayesian Model Comparison Phase Transition Discovery Process Hierarchical Bayes Basic Probability Theory Delta Function Kullback-Leibler Distance Probability Space Empirical Process Convergence of Expected Values Mixture by Dirichlet Process




نظرات کاربران