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 Probabilistic Forecasting and Bayesian Data Assimilation

دانلود کتاب پیش بینی احتمالی و شبیه سازی داده های بیزی

مشخصات کتاب

Probabilistic Forecasting and Bayesian Data Assimilation

Name: Probabilistic Forecasting and Bayesian Data Assimilation
Rating: 4.0 (12 reviews)
ISBN: 9781107069398

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Sebastian Reich. Colin Cotter  
سری:  
ISBN (شابک) : 9781107069398 
ناشر: Cambridge University Press 
سال نشر: 2015 
تعداد صفحات: 352 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت

قیمت کتاب (تومان) : 43,000

کلمات کلیدی مربوط به کتاب پیش بینی احتمالی و شبیه سازی داده های بیزی: آمار، تحلیل بیزی، جذب داده ها

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 12

در صورت تبدیل فایل کتاب Probabilistic Forecasting and Bayesian Data Assimilation 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 پیش بینی احتمالی و شبیه سازی داده های 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 پیش بینی احتمالی و شبیه سازی داده های بیزی

در این کتاب نویسندگان اصول و روش‌های پشت پیش‌بینی احتمالی و شبیه‌سازی داده‌های بیزی را توصیف می‌کنند. نویسندگان به جای تمرکز بر حوزه‌های کاربردی خاص، یک رویکرد کلی سیستم‌های دینامیکی را با انبوهی از نمونه‌های عددی کم‌بعد و زمان گسسته که برای ایجاد شهود در مورد موضوع طراحی شده‌اند، اتخاذ می‌کنند. بخش اول چارچوب ریاضی پیش‌بینی احتمالی مبتنی بر مجموعه و کمی‌سازی عدم قطعیت را توضیح می‌دهد. بخش دوم به الگوریتم‌های فیلتر بیزی، از الگوریتم‌های شبیه‌سازی داده‌های کلاسیک مانند فیلتر کالمن، تکنیک‌های متغیر و روش‌های متوالی مونت کارلو تا پیشرفت‌های جدیدتر مانند فیلتر کالمن و فیلترهای تبدیل مجموعه اختصاص دارد. رویکرد مک کین به فیلتر متوالی در ترکیب با جفت معیارها به عنوان یک چارچوب ریاضی متحد کننده در سراسر بخش دوم عمل می کند. این کتاب با فرض آشنایی اولیه با احتمال، مقدمه ای ایده آل برای دانشجویان تحصیلات تکمیلی در ریاضیات کاربردی، علوم کامپیوتر، مهندسی، علوم زمین و سایر حوزه های کاربردی در حال ظهور است. موضوع را برای غیرریاضی‌دانانی که در هر زمینه‌ای کار می‌کنند که در آن شبیه‌سازی داده‌های بیزی اعمال می‌شود، باز می‌کند یک چارچوب یکپارچه جدید برای تکنیک‌های شبیه‌سازی داده‌های مبتنی بر مجموعه ارائه می‌کند کد متلب برای دانلود از سایت www.cambridge.org/9781107069398 موجود است.

توضیحاتی درمورد کتاب به خارجی

In this book the authors describe the principles and methods behind probabilistic forecasting and Bayesian data assimilation. Instead of focusing on particular application areas, the authors adopt a general dynamical systems approach, with a profusion of low-dimensional, discrete-time numerical examples designed to build intuition about the subject. Part I explains the mathematical framework of ensemble-based probabilistic forecasting and uncertainty quantification. Part II is devoted to Bayesian filtering algorithms, from classical data assimilation algorithms such as the Kalman filter, variational techniques, and sequential Monte Carlo methods, through to more recent developments such as the ensemble Kalman filter and ensemble transform filters. The McKean approach to sequential filtering in combination with coupling of measures serves as a unifying mathematical framework throughout Part II. Assuming only some basic familiarity with probability, this book is an ideal introduction for graduate students in applied mathematics, computer science, engineering, geoscience and other emerging application areas. Opens up the subject for non-mathematicians working in any field where Bayesian data assimilation is applied Provides a novel unifying framework for ensemble-based data assimilation techniques MATLAB code is available to download from www.cambridge.org/9781107069398

فهرست مطالب

Preface
1. Prologue: how to produce forecasts
Part I. Quantifying Uncertainty:
2. Introduction to probability
3. Computational statistics
4. Stochastic processes
5. Bayesian inference
Part II. Bayesian Data Assimilation:
6. Basic data assimilation algorithms
7. McKean approach to data assimilation
8. Data assimilation for spatio-temporal processes
9. Dealing with imperfect models
References
Index