Nonlinear Mixture Models : A Bayesian Approach

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Tatiana Tatarinova. Alan Schumitzky  
سری:  
ISBN (شابک) : 1848167563, 9781848167568 
ناشر: Imperial College Press 
سال نشر: 2015 
تعداد صفحات: 297 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 39,000

این کتاب، نوشته شده توسط دو ریاضیدان از دانشگاه کالیفرنیای جنوبی، مقدمه ای گسترده برای موضوع مهم مدل های مخلوط غیرخطی از دیدگاه بیزی ارائه می دهد. این شامل مطالب پس زمینه، شرح مختصری از نظریه زنجیره مارکوف، و همچنین الگوریتم های جدید و کاربردهای آنها است. این کتاب مستقل و یکپارچه در ارائه است، که آن را برای استفاده به عنوان یک کتاب درسی پیشرفته توسط دانشجویان تحصیلات تکمیلی و به عنوان مرجعی برای محققان مستقل ایده آل می کند. توضیحات کتاب به اندازه کافی دقیق است تا علاقه خواننده کنجکاو را جلب کند، و به اندازه کافی کامل است تا زمینه لازم برای ادامه موضوع و بررسی ادبیات تحقیق را فراهم کند.

در این کتاب نویسندگان روش های بیزی را ارائه می کنند. تجزیه و تحلیل برای مدل‌های مخلوط سلسله مراتبی غیرخطی، با تعداد اجزای محدود، اما احتمالاً ناشناخته. این روش‌ها سپس برای مشکلات مختلف از جمله فارماکوکینتیک جمعیت و تجزیه و تحلیل بیان ژن اعمال می‌شوند. در فارماکوکینتیک جمعیت، مدل مخلوط غیرخطی، بر اساس داده‌های بالینی قبلی، به توزیع قبلی برای درمان فردی تبدیل می‌شود. برای داده‌های بیان ژن، یکی از کاربردهای موجود در کتاب تعیین این است که کدام ژن باید با همان جزء مخلوط (همچنین به عنوان مشکل خوشه‌بندی شناخته می‌شود) مرتبط باشد. این کتاب همچنین شامل نمونه هایی از برنامه های کامپیوتری است که با BUGS نوشته شده اند. این اولین کتاب در نوع خود است که بسیاری از موضوعات در این زمینه را پوشش می دهد.

خوانندگان: دانشجویان و محققان فارغ التحصیل در بیوانفورماتیک، زیست شناسی ریاضی، احتمال و آمار، مدل سازی ریاضی، و فارماکوکینتیک.

This book, written by two mathematicians from the University of Southern California, provides a broad introduction to the important subject of nonlinear mixture models from a Bayesian perspective. It contains background material, a brief description of Markov chain theory, as well as novel algorithms and their applications. It is self-contained and unified in presentation, which makes it ideal for use as an advanced textbook by graduate students and as a reference for independent researchers. The explanations in the book are detailed enough to capture the interest of the curious reader, and complete enough to provide the necessary background material needed to go further into the subject and explore the research literature.

In this book the authors present Bayesian methods of analysis for nonlinear, hierarchical mixture models, with a finite, but possibly unknown, number of components. These methods are then applied to various problems including population pharmacokinetics and gene expression analysis. In population pharmacokinetics, the nonlinear mixture model, based on previous clinical data, becomes the prior distribution for individual therapy. For gene expression data, one application included in the book is to determine which genes should be associated with the same component of the mixture (also known as a clustering problem). The book also contains examples of computer programs written in BUGS. This is the first book of its kind to cover many of the topics in this field.

Readership: Graduate students and researchers in bioinformatics, mathematical biology, probability and statistics, mathematical modeling, and pharmacokinetics.

Introduction
    Mathematical Description of Nonlinear Mixture Models
    Label Switching and Trapping
    Treatment of Mixture Models with an Unknown Number of Components
    Applications of BDMCMC, KLMCMC, and RPS
    Nonparametric Methods
    Bayesian Clustering Methods