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 Mean Field Simulation for Monte Carlo Integration

دانلود کتاب میانگین شبیه سازی درست برای ادغام مونت کارلو

Mean Field Simulation for Monte Carlo Integration

مشخصات کتاب

Mean Field Simulation for Monte Carlo Integration

ویرایش:  
نویسندگان:   
سری: Chapman & Hall/CRC Monographs on Statistics & Applied Probability 
ISBN (شابک) : 9781466504172, 146650417X 
ناشر: Taylor and Francis 
سال نشر: 2013 
تعداد صفحات: 624 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 41,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Mean Field Simulation for Monte Carlo Integration 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 میانگین شبیه سازی درست برای ادغام مونت کارلو 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 میانگین شبیه سازی درست برای ادغام مونت کارلو

در سه دهه گذشته، افزایش چشمگیری در استفاده از روش‌های ذرات متقابل به عنوان ابزاری قدرتمند در کاربردهای واقعی شبیه‌سازی مونت کارلو در فیزیک محاسباتی، زیست‌شناسی جمعیت، علوم کامپیوتر و یادگیری ماشین آماری مشاهده شده است. این الگوریتم‌های ذرات پیشرفته که به طور ایده‌آل برای محاسبات موازی و توزیعی مناسب هستند، شامل روش‌های پرش متقابل غیرخطی هستند؛ روش‌های کوانتومی، انتشار و نمونه‌برداری مجدد مونت کارلو. مدل های ذرات فاینمن-کاک; الگوریتم های ژنتیک و تکاملی؛ روش های متوالی مونت کارلو؛ مارکو سازگار و متقابل. بیشتر بخوانید...


توضیحاتی درمورد کتاب به خارجی

In the last three decades, there has been a dramatic increase in the use of interacting particle methods as a powerful tool in real-world applications of Monte Carlo simulation in computational physics, population biology, computer sciences, and statistical machine learning. Ideally suited to parallel and distributed computation, these advanced particle algorithms include nonlinear interacting jump diffusions; quantum, diffusion, and resampled Monte Carlo methods; Feynman-Kac particle models; genetic and evolutionary algorithms; sequential Monte Carlo methods; adaptive and interacting Marko. Read more...



فهرست مطالب


Content: Front Cover; Dedication; Contents; Preface; Frequently used notation; Part I --
Introduction; Chapter 1 --
Monte Carlo and mean field models; Chapter 2 --
Theory and applications; Part II --
Feynman-Kac models; Chapter 3 --
Discrete time Feynman-Kac models; Chapter 4 --
Four equivalent particle interpretations; Chapter 5 --
Continuous time Feynman-Kac models; Chapter 6 --
Nonlinear evolutions of intensity measures; Part III --
Application domains; Chapter 7 --
Particle absorption models; Chapter 8 --
Signal processing and control systems; Part IV --
Theoretical aspects. Chapter 9 --
Mean field Feynman-Kac modelsChapter 10 --
A general class of mean field models; Chapter 11 --
Empirical processes; Chapter 12 --
Feynman-Kac semigroups; Chapter 13 --
Intensity measure semigroups; Chapter 14 --
Particle density profiles; Chapter 15 --
Genealogical tree models; Chapter 16 --
Particle normalizing constants; Chapter 17 --
Backward particle Markov models; Bibliography; Back Cover.
Abstract: In the last three decades, there has been a dramatic increase in the use of interacting particle methods as a powerful tool in real-world applications of Monte Carlo simulation in computational physics, population biology, computer sciences, and statistical machine learning. Ideally suited to parallel and distributed computation, these advanced particle algorithms include nonlinear interacting jump diffusions; quantum, diffusion, and resampled Monte Carlo methods; Feynman-Kac particle models; genetic and evolutionary algorithms; sequential Monte Carlo methods; adaptive and interacting Marko




نظرات کاربران