دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
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
کلمات کلیدی مربوط به کتاب پیش بینی احتمالی و شبیه سازی داده های بیزی: آمار، تحلیل بیزی، جذب داده ها
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.
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.
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
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