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 Statistical Rethinking

دانلود کتاب بازاندیشی آماری

Statistical Rethinking

مشخصات کتاب

Statistical Rethinking

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781482253443 
ناشر:  
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 44,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Statistical Rethinking 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 بازاندیشی آماری 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 بازاندیشی آماری

بازاندیشی آماری: یک دوره بیزی با مثال هایی در R و Stan دانش و اعتماد خوانندگان را نسبت به مدل سازی آماری ایجاد می کند. این کتاب که نیاز به برنامه‌نویسی حتی جزئی را در آمارهای مبتنی بر مدل امروزی منعکس می‌کند، خوانندگان را وادار می‌کند تا محاسبات گام به گام را انجام دهند که معمولاً خودکار هستند. این رویکرد محاسباتی منحصربه‌فرد تضمین می‌کند که خوانندگان به اندازه کافی جزئیات را درک می‌کنند تا در کار مدل‌سازی خود انتخاب‌ها و تفسیرهای معقولی داشته باشند. این متن مدل‌های چندسطحی خطی تعمیم‌یافته را از دیدگاه بیزی، با تکیه بر یک تفسیر منطقی ساده از احتمال بیزی و حداکثر آنتروپی ارائه می‌کند. از مبانی رگرسیون تا مدل های چند سطحی را پوشش می دهد. نویسنده همچنین خطای اندازه‌گیری، داده‌های از دست رفته و مدل‌های فرآیند گاوسی را برای خودهمبستگی فضایی و شبکه مورد بحث قرار می‌دهد. این کتاب با استفاده از مثال‌های کامل کد R، پایه‌ای عملی برای انجام استنتاج آماری فراهم می‌کند. این برنامه هم برای دانشجویان دکترا و هم برای متخصصان باتجربه در علوم طبیعی و اجتماعی طراحی شده است و آنها را برای مدل‌سازی آماری پیشرفته‌تر یا تخصصی‌تر آماده می‌کند.


توضیحاتی درمورد کتاب به خارجی

Statistical Rethinking: A Bayesian Course with Examples in R and Stan builds readers’ knowledge of and confidence in statistical modeling. Reflecting the need for even minor programming in today’s model-based statistics, the book pushes readers to perform step-by-step calculations that are usually automated. This unique computational approach ensures that readers understand enough of the details to make reasonable choices and interpretations in their own modeling work. The text presents generalized linear multilevel models from a Bayesian perspective, relying on a simple logical interpretation of Bayesian probability and maximum entropy. It covers from the basics of regression to multilevel models. The author also discusses measurement error, missing data, and Gaussian process models for spatial and network autocorrelation. By using complete R code examples throughout, this book provides a practical foundation for performing statistical inference. Designed for both PhD students and seasoned professionals in the natural and social sciences, it prepares them for more advanced or specialized statistical modeling.



فهرست مطالب

Preface
	Audience
	Teaching strategy
	How to use this book
	Installing the rethinking R package
	Acknowledgments
1: The Golem of Prague
	1.1. Statistical golems
	1.2. Statistical rethinking
	1.3. Three tools for golem engineering
	1.4. Summary
2: Small Worlds and Large Worlds
	2.1. The garden of forking data
	2.2. Building a model
	2.3. Components of the model
	2.4. Making the model go
	2.5. Summary
	2.6. Practice
3: Sampling the Imaginary
	3.1. Sampling from a grid-approximate posterior
	3.2. Sampling to summarize
	3.3. Sampling to simulate prediction
	3.4. Summary
	3.5. Practice
4: Linear Models
	4.1. Why normal distributions are normal
	4.2. A language for describing models
	4.3. A Gaussian model of height
	4.4. Adding a predictor
	4.5. Polynomial regression
	4.6. Summary
	4.7. Practice
5: Multivariate Linear Models
	5.1. Spurious association
	5.2. Masked relationship
	5.3. When adding variables hurts
	5.4. Categorical variables
	5.5. Ordinary least squares and lm
	5.6. Summary
	5.7. Practice
6: Overfitting, Regularization, and Information Criteria
	6.1. The problem with parameters
	6.2. Information theory and model performance
	6.3. Regularization
	6.4. Information criteria
	6.5. Using information criteria
	6.6. Summary
	6.7. Practice
7: Interactions
	7.1. Building an interaction
	7.2. Symmetry of the linear interaction
	7.3. Continuous interactions
	7.4. Interactions in design formulas
	7.5. Summary
	7.6. Practice
8: Markov Chain Monte Carlo
	8.1. Good King Markov and His island kingdom
	8.2. Markov chain Monte Carlo
	8.3. Easy HMC: map2stan
	8.4. Care and feeding of your Markov chain
	8.5. Summary
	8.6. Practice
9: Big Entropy and the Generalized Linear Model
	9.1. Maximum entropy
	9.2. Generalized linear models
	9.3. Maximum entropy priors
	9.4. Summary
10: Counting and Classification
	10.1. Binomial regression
	10.2. Poisson regression
	10.3. Other count regressions
	10.4. Summary
	10.5. Practice
11: Monsters and Mixtures
	11.1. Ordered categorical outcomes
	11.2. Zero-inflated outcomes
	11.3. Over-dispersed outcomes
	11.4. Summary
	11.5. Practice
12: Multilevel Models
	12.1. Example: Multilevel tadpoles
	12.2. Varying effects and the underfitting/overfitting trade-off
	12.3. More than one type of cluster
	12.4. Multilevel posterior predictions
	12.5. Summary
	12.6. Practice
13: Adventures in Covariance
	13.1. Varying slopes by construction
	13.2. Example: Admission decisions and gender
	13.3. Example: Cross-classified chimpanzees with varying slopes
	13.4. Continuous categories and the Gaussian process
	13.5. Summary
	13.6. Practice
14: Missing Data and Other Opportunities
	14.1. Measurement error
	14.2. Missing data
	14.3. Summary
	14.4. Practice
15: Horoscopes
Endnotes
	Chapter 1
	Chapter 2
	Chapter 3
	Chapter 4
	Chapter 5
	Chapter 6
	Chapter 7
	Chapter 8
	Chapter 9
	Chapter 10
	Chapter 11
	Chapter 12
	Chapter 13
	Chapter 14
	Chapter 15
Bibliography
Citation index
Topic index




نظرات کاربران