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: ریاضیات محاسباتی ویرایش: 1 نویسندگان: Reuven Y. Rubinstein, Dirk P. Kroese (auth.) سری: Information Science and Statistics ISBN (شابک) : 9781441919403, 9781475743210 ناشر: Springer-Verlag New York سال نشر: 2004 تعداد صفحات: 315 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب روش متقابل آنتروپی: رویکردی یکپارچه برای بهینهسازی ترکیبی، شبیهسازی مونت کارلو و یادگیری ماشین: شبیه سازی و مدل سازی، آمار برای مهندسی، فیزیک، علوم کامپیوتر، شیمی و علوم زمین، تحقیق در عملیات/تئوری تصمیم گیری، احتمال و آمار در علوم کامپیوتر، هوش محاسباتی، بازرسی عملیات
در صورت تبدیل فایل کتاب The Cross-Entropy Method: A Unified Approach to Combinatorial Optimization, Monte-Carlo Simulation and Machine Learning 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 روش متقابل آنتروپی: رویکردی یکپارچه برای بهینهسازی ترکیبی، شبیهسازی مونت کارلو و یادگیری ماشین 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.
The cross-entropy (CE) method is one of the most significant developments in stochastic optimization and simulation in recent years. This book explains in detail how and why the CE method works. The CE method involves an iterative procedure where each iteration can be broken down into two phases: (a) generate a random data sample (trajectories, vectors, etc.) according to a specified mechanism; (b) update the parameters of the random mechanism based on this data in order to produce a ``better'' sample in the next iteration. The simplicity and versatility of the method is illustrated via a diverse collection of optimization and estimation problems.
The book is aimed at a broad audience of engineers, computer scientists, mathematicians, statisticians and in general anyone, theorist or practitioner, who is interested in fast simulation, including rare-event probability estimation, efficient combinatorial and continuous multi-extremal optimization, and machine learning algorithms.
Reuven Y. Rubinstein is the Milford Bohm Professor of Management at the Faculty of Industrial Engineering and Management at the Technion (Israel Institute of Technology). His primary areas of interest are stochastic modelling, applied probability, and simulation. He has written over 100 articles and has published five books. He is the pioneer of the well-known score-function and cross-entropy methods.
Dirk P. Kroese is an expert on the cross-entropy method. He has published close to 40 papers in a wide range of subjects in applied probability and simulation. He is on the editorial board of Methodology and Computing in Applied Probability and is Guest Editor of the Annals of Operations Research. He has held research and teaching positions at Princeton University and The University of Melbourne, and is currently working at the Department of Mathematics of The University of Queensland.
"Rarely have I seen such a dense and straight to the point pedagogical
monograph on such a modern subject. This excellent book, on the
simulated cross-entropy method (CEM) pioneered by one of the authors
(Rubinstein), is very well written..."
Computing Reviews, Stochastic Programming November, 2004
"It is a substantial contribution to stochastic optimization and more generally to the stochastic numerical methods theory." Short Book Reviews of the ISI, April 2005
"...I wholeheartedly recommend this book to anybody who is interested in stochastic optimization or simulation-based performance analysis of stochastic systems." Gazette of the Australian Mathematical Society, vol. 32 (3) 2005
Front Matter....Pages i-xx
Preliminaries....Pages 1-28
A Tutorial Introduction to the Cross-Entropy Method....Pages 29-58
Efficient Simulation via Cross-Entropy....Pages 59-128
Combinatorial Optimization via Cross-Entropy....Pages 129-186
Continuous Optimization and Modifications....Pages 187-201
Noisy Optimization with CE....Pages 203-225
Applications of CE to COPs....Pages 227-250
Applications of CE to Machine Learning....Pages 251-270
Back Matter....Pages 271-301