Surrogates-Gaussian Process Modeling, Design, and Optimization for the Applied Sciences

آزمایش‌های شبیه‌سازی رایانه‌ای برای اکتشافات علمی مدرن ضروری هستند، چه در فیزیک، شیمی، زیست‌شناسی، اپیدمیولوژی، بوم‌شناسی، مهندسی و غیره. جایگزین‌ها متا مدل‌هایی از شبیه‌سازی‌های رایانه‌ای هستند که برای حل مدل‌های ریاضی بسیار پیچیده استفاده می‌شوند. با دست کار شود رگرسیون فرآیند گاوسی (GP) یک ابزار بسیار انعطاف‌پذیر برای تحلیل آزمایش‌های شبیه‌سازی کامپیوتری است. این کتاب مقدمه‌ای کاربردی بر رگرسیون GP برای مدل‌سازی و بهینه‌سازی آزمایش‌های شبیه‌سازی کامپیوتری ارائه می‌کند.

ویژگی‌ها:

• تاکید بر روش‌ها، برنامه‌ها، و قابلیت تکرارپذیری.

• کد R برای کاربردها یکپارچه شده است. از روش‌ها.

• شامل بیش از 200 شکل تمام رنگی است.

• شامل تمرین‌های زیادی برای تکمیل درک، با راه‌حل‌های جداگانه در دسترس نویسنده.

• پشتیبانی شده توسط یک وب‌سایت با کد کامل در دسترس برای بازتولید همه روش‌ها و مثال‌ها.

این کتاب عمدتاً به‌عنوان یک کتاب درسی برای دانشجویان کارشناسی ارشد طراحی شده است که رگرسیون GP را از ریاضیات، آمار، علوم کامپیوتر و مهندسی مطالعه می‌کنند. با توجه به گستردگی مثال‌ها، می‌توان از آن برای محققان این رشته‌ها و همچنین اقتصاد، علوم زیستی، علوم اجتماعی و غیره استفاده کرد.

Computer simulation experiments are essential to modern scientific discovery, whether that be in physics, chemistry, biology, epidemiology, ecology, engineering, etc. Surrogates are meta-models of computer simulations, used to solve mathematical models that are too intricate to be worked by hand. Gaussian process (GP) regression is a supremely flexible tool for the analysis of computer simulation experiments. This book presents an applied introduction to GP regression for modelling and optimization of computer simulation experiments.

Features:

• Emphasis on methods, applications, and reproducibility.

• R code is integrated throughout for application of the methods.

• Includes more than 200 full colour figures.

• Includes many exercises to supplement understanding, with separate solutions available from the author.

• Supported by a website with full code available to reproduce all methods and examples.

The book is primarily designed as a textbook for postgraduate students studying GP regression from mathematics, statistics, computer science, and engineering. Given the breadth of examples, it could also be used by researchers from these fields, as well as from economics, life science, social science, etc.