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 The EM Algorithm and Extensions (Wiley Series in Probability and Statistics)

دانلود کتاب الگوریتم و الحاقات EM (سری احتمالاتی و آمار ویلی)

The EM Algorithm and Extensions (Wiley Series in Probability and Statistics)

مشخصات کتاب

The EM Algorithm and Extensions (Wiley Series in Probability and Statistics)

دسته بندی: ریاضیات کاربردی
ویرایش: 2 
نویسندگان: ,   
سری:  
ISBN (شابک) : 9780470191606, 0471201707 
ناشر:  
سال نشر: 2008 
تعداد صفحات: 400 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت

قیمت کتاب (تومان) : 53,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


در صورت تبدیل فایل کتاب The EM Algorithm and Extensions (Wiley Series in Probability and Statistics) 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 الگوریتم و الحاقات EM (سری احتمالاتی و آمار ویلی) 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 الگوریتم و الحاقات EM (سری احتمالاتی و آمار ویلی)

تنها منبع تکی——اکنون کاملاً به‌روزرسانی و تجدیدنظر شده——برای ارائه یک درمان یکپارچه از نظریه، روش‌شناسی و کاربردهای الگوریتم EM با به‌روزرسانی‌هایی که پیشرفت‌های دهه گذشته را به تصویر می‌کشد، الگوریتم EM و برنامه‌های افزودنی، ویرایش دوم با موفقیت با تشریح آغاز، پیاده سازی و کاربرد آن در زمینه های آماری متعدد، درک اولیه ای از الگوریتم EM ارائه می دهد. در ارتباط با مبانی موضوع، نویسندگان مسائل مربوط به همگرایی و محاسبه خطاهای استاندارد را مورد بحث قرار می‌دهند، و علاوه بر این، موازی‌ها و ارتباطات زیادی بین الگوریتم EM و الگوریتم‌های زنجیره مارکوف مونت کارلو را آشکار می‌کنند. بحث‌های کاملی در مورد پیچیدگی‌ها و اشکالاتی که از الگوریتم EM اصلی ناشی می‌شوند، مانند همگرایی آهسته و فقدان رویه داخلی برای محاسبه ماتریس کوواریانس تخمین‌های پارامتر، نیز ارائه شده است. در حالی که فلسفه کلی نسخه اول ارائه شده است. حفظ شده، این نسخه جدید به موقع به روز شده، بازنگری شده و گسترش یافته است تا شامل موارد زیر باشد: فصول جدید در مورد نسخه های مونت کارلو الگوریتم EM و تعمیم الگوریتم EM نتایج جدید در مورد همگرایی، از جمله همگرایی الگوریتم EM در فضاهای پارامتری محدود، بحث گسترده در مورد استاندارد روش‌های محاسبه خطا، مانند روش‌هایی برای داده‌های طبقه‌بندی و روش‌های مبتنی بر تمایز عددی پوشش بازه EM، که تمام نقاط ثابت را در یک منطقه مشخص از فضای پارامتر قرار می‌دهد. کاوش رابطه الگوریتم EM با نمونه‌گر گیبس و سایر روش‌های مونت کارلو زنجیره مارکوف فراوان عناصر آموزشی - مقدمه‌های فصل، فهرست‌های نمونه‌ها، شاخص‌های نویسنده و موضوع، گرافیک‌های طراحی‌شده توسط رایانه، و یک وب‌سایت مرتبط الگوریتم و برنامه‌های افزودنی EM، ویرایش دوم به عنوان یک متن عالی برای دانشجویان آمار در مقطع تحصیلات تکمیلی عمل می‌کند و همچنین منبعی جامع برای نظریه‌پردازان، پزشکان و محققان در علوم اجتماعی و فیزیکی که مایلند دانش خود را در مورد الگوریتم EM گسترش دهند.


توضیحاتی درمورد کتاب به خارجی

The only single-source——now completely updated and revised——to offer a unified treatment of the theory, methodology, and applications of the EM algorithmComplete with updates that capture developments from the past decade, The EM Algorithm and Extensions, Second Edition successfully provides a basic understanding of the EM algorithm by describing its inception, implementation, and applicability in numerous statistical contexts. In conjunction with the fundamentals of the topic, the authors discuss convergence issues and computation of standard errors, and, in addition, unveil many parallels and connections between the EM algorithm and Markov chain Monte Carlo algorithms. Thorough discussions on the complexities and drawbacks that arise from the basic EM algorithm, such as slow convergence and lack of an in-built procedure to compute the covariance matrix of parameter estimates, are also presented.While the general philosophy of the First Edition has been maintained, this timely new edition has been updated, revised, and expanded to include:New chapters on Monte Carlo versions of the EM algorithm and generalizations of the EM algorithmNew results on convergence, including convergence of the EM algorithm in constrained parameter spacesExpanded discussion of standard error computation methods, such as methods for categorical data and methods based on numerical differentiationCoverage of the interval EM, which locates all stationary points in a designated region of the parameter spaceExploration of the EM algorithm's relationship with the Gibbs sampler and other Markov chain Monte Carlo methodsPlentiful pedagogical elements—chapter introductions, lists of examples, author and subject indices, computer-drawn graphics, and a related Web siteThe EM Algorithm and Extensions, Second Edition serves as an excellent text for graduate-level statistics students and is also a comprehensive resource for theoreticians, practitioners, and researchers in the social and physical sciences who would like to extend their knowledge of the EM algorithm.



فهرست مطالب

0471201707......Page 1
CONTENTS......Page 10
PREFACE TO THE SECOND EDITION......Page 22
PREFACE TO THE FIRST EDITION......Page 24
LIST OF EXAMPLES......Page 28
1.1 Introduction......Page 32
1.2 Maximum Likelihood Estimation......Page 34
1.3.2 Newton-Raphson Method......Page 36
1.3.4 Modified Newton Methods......Page 37
1.4.2 Example 1.1: A Multinomial Example......Page 39
1.4.3 Example 1.2: Estimation of Mixing Proportions......Page 44
1.5.1 EM Algorithm......Page 49
1.5.2 Example 1.3: Censored Exponentially Distributed Survival Times......Page 51
1.5.3 E- and M-Steps for the Regular Exponential Family......Page 53
1.5.4 Example 1.4: Censored Exponentially Distributed Survival Times (Example 1.3 Continued)......Page 54
1.5.6 GEM Algorithm Based on One Newton-Raphson Step......Page 55
1.5.7 EM Gradient Algorithm......Page 56
1.6.1 Maximum a Posteriori Estimation......Page 57
1.6.3 Maximum Penalized Estimation......Page 58
1.7 Brief Summary of the Properties of the EM Algorithm......Page 59
1.8.2 Work Before Dempster, Laird, and Rubin (1977)......Page 60
1.8.3 EM Examples and Applications Since Dempster, Laird, and Rubin (1977)......Page 62
1.8.4 Two Interpretations of EM......Page 63
1.8.5 Developments in EM Theory, Methodology, and Applications......Page 64
1.9 Overview of the Book......Page 67
1.10 Notations......Page 68
2.1 Introduction......Page 72
2.2.1 Example 2.1: Bivariate Normal Data with Missing Values......Page 73
2.2.3 Multivariate Data: Buck\'s Method......Page 76
2.3.2 Example 2.2: Linear Regression with Missing Dependent Values......Page 78
2.3.4 Healy–Westmacott Procedure as an EM Algorithm......Page 80
2.4 Example 2.4: Multinomial with Complex Cell Structure......Page 82
2.5 Example 2.5: Analysis of PET and SPECT Data......Page 85
2.6.1 ML Estimation of Multivariate t-Distribution......Page 89
2.7.1 Example 2.7: Univariate Component Densities......Page 92
2.7.2 Example 2.8: Multivariate Component Densities......Page 95
2.7.3 Numerical Example: Red Blood Cell Volume Data......Page 96
2.8.2 Specification of Complete Data......Page 97
2.8.3 E-Step......Page 100
2.8.5 Confirmation of Incomplete-Data Score Statistic......Page 101
2.8.6 M-Step for Grouped Normal Data......Page 102
2.8.7 Numerical Example: Grouped Log Normal Data......Page 103
2.9 Example 2.10: A Hidden Markov AR(1) model......Page 104
3.1 Introduction......Page 108
3.2 Monotonicity of the EM Algorithm......Page 109
3.4.1 Introduction......Page 110
3.4.2 Regularity Conditions of Wu (1983)......Page 111
3.4.3 Main Convergence Theorem for a Generalized EM Sequence......Page 112
3.4.4 A Convergence Theorem for an EM Sequence......Page 113
3.5.2 Two Convergence Theorems of Wu (1983)......Page 114
3.5.4 Constrained Parameter Spaces......Page 115
3.6.1 Example 3.1: Convergence to a Saddle Point......Page 116
3.6.2 Example 3.2: Convergence to a Local Minimum......Page 119
3.6.3 Example 3.3: Nonconvergence of a Generalized EM Sequence......Page 121
3.6.4 Example 3.4: Some E-Step Pathologies......Page 124
3.8.1 Missing Information Principle......Page 126
3.8.2 Example 3.5: Censored Exponentially Distributed Survival Times (Example 1.3 Continued)......Page 127
3.9.1 Rate Matrix for Linear Convergence......Page 130
3.9.2 Measuring the Linear Rate of Convergence......Page 131
3.9.3 Rate Matrix in Terms of Information Matrices......Page 132
3.9.5 Derivation of Rate Matrix in Terms of Information Matrices......Page 133
3.9.6 Example 3.6: Censored Exponentially Distributed Survival Times (Example 1.3 Continued)......Page 134
4.1 Introduction......Page 136
4.2.2 Extraction of Observed Information Matrix in Terms of the Complete-Data Log Likelihood......Page 137
4.2.5 Examples......Page 139
4.3 Approximations to Observed Information Matrix: i.i.d. Case......Page 145
4.4.1 Approximation Based on Empirical Information......Page 147
4.4.2 Example 4.3: Grouped Data from an Exponential Distribution......Page 148
4.5.1 Definition......Page 151
4.5.2 Calculation of J(Ψ\Z) via Numerical Differentiation......Page 153
4.5.3 Stability......Page 154
4.5.5 Difficulties of the SEM Algorithm......Page 155
4.5.6 Example 4.4: Univariate Contaminated Normal Data......Page 156
4.5.7 Example 4.5: Bivariate Normal Data with Missing Values......Page 159
4.6 Bootstrap Approach to Standard Error Approximation......Page 161
4.7.1 Baker\'s Method for Standard Error Computation......Page 162
4.7.2 Louis\' Method of Standard Error Computation......Page 163
4.7.3 Oakes\' Formula for Standard Error Computation......Page 164
4.7.5 Example 4.7: Louis\' Method for Example 2.4......Page 165
4.7.6 Baker\'s Method for Standard Error for Categorical Data......Page 166
4.7.7 Example 4.8: Baker\'s Method for Example 2.4......Page 167
4.8.2 Louis\' Method......Page 168
4.8.3 Example 4.9: Multinomial Data......Page 169
4.8.4 Example 4.10: Geometric Mixture......Page 170
4.9 An Aitken Acceleration-Based Stopping Criterion......Page 173
4.10.2 A Generalized Conjugate Gradient Algorithm......Page 175
4.10.3 Accelerating the EM Algorithm......Page 176
4.11.2 Combined EM and Modified Newton-Raphson Algorithm......Page 177
4.12.1 Derivation of a Condition to be a Generalized EM Sequence......Page 179
4.13 EM Gradient Algorithm......Page 180
4.14.1 The Method......Page 182
4.14.2 Example 4.12: Dirichlet Distribution......Page 184
4.15 Ikeda Acceleration......Page 188
5.1 Introduction......Page 190
5.2.2 Formal Definition......Page 191
5.2.4 Speed of Convergence......Page 193
5.2.5 Convergence Rates of EM and ECM......Page 194
5.2.7 Discussion......Page 195
5.3 Multicycle ECM Algorithm......Page 196
5.4.2 Application of ECM Algorithm......Page 197
5.5.1 Competing Risks in Survival Analysis......Page 199
5.5.3 Observed Data......Page 200
5.5.4 Application of EM Algorithm......Page 201
5.5.5 M-Step for Gompertz Components......Page 202
5.5.6 Application of a Multicycle ECM Algorithm......Page 203
5.5.7 Other Examples of EM Algorithm in Survival Analysis......Page 204
5.6 Example 5.4: Contingency Tables with Incomplete Data......Page 205
5.7 ECME Algorithm......Page 206
5.8.1 Application of the EM Algorithm......Page 207
5.8.3 Application of ECM Algorithm......Page 208
5.8.5 Some Standard Results......Page 209
5.8.6 Missing Data......Page 210
5.8.8 Theoretical Results on the Rate of Convergence......Page 212
5.9.1 A Variance Components Model......Page 213
5.9.2 E-Step......Page 214
5.9.3 M-Step......Page 215
5.9.5 Numerical Example......Page 216
5.10.1 Introduction......Page 217
5.10.2 General Form of Linear Mixed Model......Page 218
5.10.4 Example 5.7: REML Estimation in a Hierarchical Random Effects Model......Page 219
5.10.6 Generalized Linear Mixed Models......Page 222
5.11.1 EM Algorithm for Factor Analysis......Page 224
5.11.4 EM Algorithm in Principal Component Analysis......Page 227
5.12.2 Maximum Likelihood Estimation of t-Distribution......Page 229
5.13 Alternating ECM Algorithm......Page 233
5.14 Example 5.9: Mixtures of Factor Analyzers......Page 235
5.14.2 E-step......Page 236
5.14.3 CM-steps......Page 237
5.14.4 t-Component Factor Analyzers......Page 238
5.14.5 E-step......Page 241
5.14.6 CM-steps......Page 242
5.15 Parameter-Expanded EM (PX-EM) Algorithm......Page 243
5.17 One-Step-Late Algorithm......Page 244
5.18.1 Penalized EM Algorithm......Page 245
5.18.3 Example 5.9: Variance of MPLE for the Multinomial (Examples 1.1 and 4.1 Continued)......Page 246
5.19 Incremental EM......Page 247
5.20 Linear Inverse Problems......Page 248
6.1 Introduction......Page 250
6.2.1 Integration and Optimization......Page 251
6.3.1 Introduction......Page 252
6.3.2 Example 6.2: Monte Carlo EM for Censored Data from Normal......Page 254
6.3.4 MCEM in Generalized Linear Mixed Models......Page 255
6.3.5 Estimation of Standard Error with MCEM......Page 256
6.3.6 Example 6.4: MCEM Estimate of Standard Error for One-Parameter Multinomial (Example 1.1 Continued)......Page 257
6.3.7 Stochastic EM Algorithm......Page 258
6.4.1 The Algorithm......Page 259
6.4.2 Example 6.5: Data Augmentation in the Multinomial (Examples 1.1, 1.5 Continued)......Page 260
6.5.1 Posterior Mode by EM......Page 261
6.5.2 Example 6.6: Bayesian EM for Normal with Semi-Conjugate Prior......Page 262
6.6.1 Introduction......Page 263
6.6.2 Rejection Sampling Methods......Page 264
6.6.3 Importance Sampling......Page 265
6.7.1 Introduction......Page 267
6.7.2 Essence of MCMC......Page 269
6.7.3 Metropolis–Hastings Algorithms......Page 270
6.8.1 Introduction......Page 272
6.8.2 Rao–Blackwellized Estimates with Gibbs Samples......Page 273
6.8.3 Example 6.7: Why Does Gibbs Sampling Work?......Page 274
6.9.1 Example 6.8: M-H Algorithm for Bayesian Probit Regression......Page 276
6.9.2 Monte Carlo EM with MCMC......Page 277
6.9.3 Example 6.9: Gibbs Sampling for the Mixture Problem......Page 280
6.9.4 Example 6.10: Bayesian Probit Analysis with Data Augmentation......Page 281
6.9.5 Example 6.11: Gibbs Sampling for Censored Normal......Page 282
6.10.1 EM–Gibbs Sampling Connection......Page 285
6.10.2 Example 6.12: EM–Gibbs Connection for Censored Data from Normal (Example 6.11 Continued)......Page 287
6.10.4 Rate of Convergence of Gibbs Sampling and EM......Page 288
6.11.1 Introduction......Page 289
6.11.2 Example 6.14: Data Augmentation and Gibbs Sampling for Censored Normal (Example 6.12 Continued)......Page 290
6.11.3 Example 6.15: Gibbs Sampling for a Complex Multinomial (Example 2.4 Continued)......Page 291
6.11.4 Gibbs Sampling Analogs of ECM and ECME Algorithms......Page 292
6.12 Empirical Bayes and EM......Page 294
6.13 Multiple Imputation......Page 295
6.14 Missing-Data Mechanism, Ignorability, and EM Algorithm......Page 296
7.1 Introduction......Page 300
7.3 Quasi-Score and the Projection-Solution Algorithm......Page 301
7.4.1 Introduction......Page 304
7.4.3 Example 7.1: Multinomial Example by ES Algorithm (Example 1.1 Continued)......Page 305
7.5 Other Generalizations......Page 306
7.6 Variational Bayesian EM Algorithm......Page 307
7.7.1 Introduction......Page 309
7.7.2 Methods for Constructing Majorizing/Minorizing Functions......Page 310
7.7.3 Example 7.2: MM Algorithm for the Complex Multinomial (Example 1.1 Continued)......Page 311
7.8 Lower Bound Maximization......Page 312
7.9.2 Example 7.3: Interval-EM Algorithm for the Complex Multinomial (Example 2.4 Continued)......Page 314
7.10.2 Simulated Annealing......Page 315
7.10.3 Comparison of SA and EM Algorithm for Normal Mixtures......Page 316
7.11 The Delta Algorithm......Page 317
7.12 Image Space Reconstruction Algorithm......Page 318
8.1 Introduction......Page 320
8.2 Hidden Markov Models......Page 321
8.3 AIDS Epidemiology......Page 324
8.4.1 Introduction......Page 326
8.4.2 EM Framework for NNs......Page 327
8.4.3 Training Multi-Layer Perceptron Networks......Page 328
8.4.5 An Integration of the Methodology Related to EM Training of RBF Networks......Page 331
8.4.6 Mixture of Experts......Page 332
8.4.7 Simulation Experiment......Page 336
8.4.8 Normalized Mixtures of Experts......Page 337
8.4.9 Hierarchical Mixture of Experts......Page 338
8.4.10 Boltzmann Machine......Page 339
8.5 Data Mining......Page 340
8.6 Bioinformatics......Page 341
REFERENCES......Page 342
AUTHOR INDEX......Page 370
SUBJECT INDEX......Page 378




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی