مشخصات کتاب

Mathematical theory of Bayesian statistics

ویرایش:  
نویسندگان: Watanabe S.  
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 

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

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

کتاب های تصادفی

دانلود کتاب Pseudoxanthoma Elasticum - A Bibliography and Dictionary for Physicians, Patients, and Genome Researchers

دانلود کتاب Oral Traditions, Continuities and Transformations in Northeast India and Beyond

دانلود کتاب How To Kill Cancer Cells: Make Your Body Healthy Now

دانلود کتاب Maszyna Która Zmieniła Świat

دانلود کتاب The Rough Guide to Canada (Travel Guide eBook)