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: A Bayesian Course with Examples in R and STAN (Chapman & Hall/CRC Texts in Statistical Science)

دانلود کتاب بازاندیشی آماری: دوره بیزی با مثال هایی در R و STAN (متن های چاپمن و هال/CRC در علوم آماری)

Statistical Rethinking: A Bayesian Course with Examples in R and STAN (Chapman & Hall/CRC Texts in Statistical Science)

مشخصات کتاب

Statistical Rethinking: A Bayesian Course with Examples in R and STAN (Chapman & Hall/CRC Texts in Statistical Science)

ویرایش: 2. 
نویسندگان:   
سری:  
ISBN (شابک) : 036713991X, 9780367139919 
ناشر: Taylor & Francis Ltd. 
سال نشر: 2020 
تعداد صفحات: 612 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 25 مگابایت 

قیمت کتاب (تومان) : 45,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 20


در صورت تبدیل فایل کتاب Statistical Rethinking: A Bayesian Course with Examples in R and STAN (Chapman & Hall/CRC Texts in Statistical Science) 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: دوره بیزی با مثال هایی در R و STAN (متن های چاپمن و هال/CRC در علوم 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: دوره بیزی با مثال هایی در R و STAN (متن های چاپمن و هال/CRC در علوم آماری)



بازاندیشی آماری: دوره بیزی با مثال هایی در R و Stan دانش و اعتماد شما را در استنتاج از داده ها ایجاد می کند. این کتاب که نیاز به اسکریپت‌نویسی را در آمارهای مبتنی بر مدل امروزی منعکس می‌کند، شما را به انجام محاسبات گام به گام که معمولاً خودکار هستند، سوق می‌دهد. این رویکرد محاسباتی منحصربه‌فرد تضمین می‌کند که شما به اندازه کافی از جزئیات را درک می‌کنید تا در کار مدل‌سازی خود، انتخاب‌ها و تفسیرهای منطقی داشته باشید.

متن استنتاج علی و مدل‌های چندسطحی خطی تعمیم‌یافته را ارائه می‌کند. دیدگاه ساده بیزی که بر اساس نظریه اطلاعات و حداکثر آنتروپی است. مواد اصلی از اصول رگرسیون تا مدل های چند سطحی پیشرفته را شامل می شود. همچنین خطای اندازه‌گیری، داده‌های از دست رفته، و مدل‌های فرآیند گاوسی را برای آشفتگی فضایی و فیلوژنتیکی ارائه می‌دهد.

ویرایش دوم بر رویکرد نمودار غیر چرخه‌ای جهت‌دار (DAG) برای استنتاج علّی، یکپارچه‌سازی تأکید می‌کند. DAG به نمونه های زیادی تبدیل می شود. نسخه جدید همچنین حاوی مطالب جدیدی در مورد طراحی توزیع‌های قبلی، خطوط، پیش‌بینی‌کننده‌های طبقه‌بندی شده، مدل‌های روابط اجتماعی، اعتبارسنجی متقابل، نمونه‌گیری اهمیت، متغیرهای ابزاری و مونت کارلو همیلتونی است. با فصلی کاملاً جدید که فراتر از مدل‌سازی خطی تعمیم‌یافته است، پایان می‌یابد و نشان می‌دهد که چگونه مدل‌های علمی خاص حوزه را می‌توان در تحلیل‌های آماری گنجاند.

ویژگی‌ها.

  • کدهای کاری را در متن اصلی ادغام می کند
  • تصویر می کند مفاهیم از طریق مثال های تجزیه و تحلیل داده های کار شده
  • بر درک مفروضات و نحوه انعکاس مفروضات در کد تأکید می کند
  • توضیحات دقیق تری از ریاضیات را در بخش های اختیاری ارائه می دهد
  • نمونه هایی از استفاده از بسته dagitty R را برای تجزیه و تحلیل علی ارائه می کند. graphs
    • بازاندیشی بسته R را در وب سایت نویسنده و در GitHub ارائه می دهد

  • توضیحاتی درمورد کتاب به خارجی

    Statistical Rethinking: A Bayesian Course with Examples in R and Stan builds your knowledge of and confidence in making inferences from data. Reflecting the need for scripting in today's model-based statistics, the book pushes you to perform step-by-step calculations that are usually automated. This unique computational approach ensures that you understand enough of the details to make reasonable choices and interpretations in your own modeling work.

    The text presents causal inference and generalized linear multilevel models from a simple Bayesian perspective that builds on information theory and maximum entropy. The core material ranges from the basics of regression to advanced multilevel models. It also presents measurement error, missing data, and Gaussian process models for spatial and phylogenetic confounding.

    The second edition emphasizes the directed acyclic graph (DAG) approach to causal inference, integrating DAGs into many examples. The new edition also contains new material on the design of prior distributions, splines, ordered categorical predictors, social relations models, cross-validation, importance sampling, instrumental variables, and Hamiltonian Monte Carlo. It ends with an entirely new chapter that goes beyond generalized linear modeling, showing how domain-specific scientific models can be built into statistical analyses.

    Features

  • Integrates working code into the main text
  • Illustrates concepts through worked data analysis examples
  • Emphasizes understanding assumptions and how assumptions are reflected in code
  • Offers more detailed explanations of the mathematics in optional sections
  • Presents examples of using the dagitty R package to analyze causal graphs
    • Provides the rethinking R package on the author's website and on GitHub


  • فهرست مطالب

    Cover
    Half Title
    Title Page
    Copyright Page
    Table of Contents
    Preface to The Second Edition
    Preface
    	Audience
    	Teaching Strategy
    	How to Use this Book
    	Installing the Rethinking R Package
    	Acknowledgments
    Chapter 1: The Golem of Prague
    	1.1. Statistical Golems
    	1.2. Statistical Rethinking
    	1.3. Tools for Golem Engineering
    	1.4. Summary
    Chapter 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
    Chapter 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
    Chapter 4: Geocentric Models
    	4.1. Why Normal Distributions are Normal
    	4.2. A Language for Describing Models
    	4.3. Gaussian Model of Height
    	4.4. Linear Prediction
    	4.5. Curves from Lines
    	4.6. Summary
    	4.7. Practice
    Chapter 5: The Many Variables & The Spurious Waffles
    	5.1. Spurious Association
    	5.2. Masked Relationship
    	5.3. Categorical Variables
    	5.4. Summary
    	5.5. Practice
    Chapter 6: The Haunted Dag & The Causal Terror
    	6.1. Multicollinearity
    	6.2. Post-Treatment Bias
    	6.3. Collider Bias
    	6.4. Confronting Confounding
    	6.5. Summary
    	6.6. Practice
    Chapter 7: Ulysses\' Compass
    	7.1. The Problem with Parameters
    	7.2. Entropy and Accuracy
    	7.3. Golem Taming: Regularization
    	7.4. Predicting Predictive Accuracy
    	7.5. Model Comparison
    	7.6. Summary
    	7.7. Practice
    Chapter 8: Conditional Manatees
    	8.1. Building an Interaction
    	8.2. Symmetry of Interactions
    	8.3. Continuous Interactions
    	8.4. Summary
    	8.5. Practice
    Chapter 9: Markov Chain Monte Carlo
    	9.1. Good King Markov and His Island Kingdom
    	9.2. Metropolis Algorithms
    	9.3. Hamiltonian Monte Carlo
    	9.4. Easy HMC: ulam
    	9.5. Care and Feeding of Your Markov Chain
    	9.6. Summary
    	9.7. Practice
    Chapter 10: Big Entropy and the Generalized Linear Model
    	10.1. Maximum Entropy
    	10.2. Generalized Linear Models
    	10.3. Maximum Entropy Priors
    	10.4. Summary
    Chapter 11: God Spiked the Integers
    	11.1. Binomial Regression
    	11.2. Poisson Regression
    	11.3. Multinomial and Categorical Models
    	11.4. Summary
    	11.5. Practice
    Chapter 12: Monsters and Mixtures
    	12.1. Over-Dispersed Counts
    	12.2. Zero-Inflated Outcomes
    	12.3. Ordered Categorical Outcomes
    	12.4. Ordered Categorical Predictors
    	12.5. Summary
    	12.6. Practice
    Chapter 13: Models with Memory
    	13.1. Example: Multilevel Tadpoles
    	13.2. Varying Effects and the Underfitting/Overfitting Trade-Off
    	13.3. More than One Type of Cluster
    	13.4. Divergent Transitions and Non-Centered Priors
    	13.5. Multilevel Posterior Predictions
    	13.6. Summary
    	13.7. Practice
    Chapter 14: Adventures in Covariance
    	14.1. Varying Slopes by Construction
    	14.2. Advanced Varying Slopes
    	14.3. Instruments and Causal Designs
    	14.4. Social Relations as Correlated Varying Effects
    	14.5. Continuous Categories and the Gaussian Process
    	14.6. Summary
    	14.7. Practice
    Chapter 15: Missing Data and Other Opportunities
    	15.1. Measurement Error
    	15.2. Missing Data
    	15.3. Categorical Errors and Discrete Absences
    	15.4. Summary
    	15.5. Practice
    Chapter 16: Generalized Linear Madness
    	16.1. Geometric People
    	16.2. Hidden Minds and Observed Behavior
    	16.3. Ordinary Differential Nut Cracking
    	16.4. Population Dynamics
    	16.5. Summary
    	16.6. Practice
    Chapter 17: Horoscopes
    Endnotes
    Bibliography
    Citation Index
    Topic Index




    نظرات کاربران