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 Multiscale Modeling: A Bayesian Perspective

دانلود کتاب مدل سازی چند مقیاس: یک دیدگاه بیزی

مشخصات کتاب

Multiscale Modeling: A Bayesian Perspective

دسته بندی: احتمال
ویرایش:  
نویسندگان: Marco A.R. Ferreira,  Herbert K.H. Lee  
سری: Springer Series in Statistics 
ISBN (شابک) : 0387708979, 9780387708973 
ناشر: Springer 
سال نشر: 2007 
تعداد صفحات: 240 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 32,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 7

در صورت تبدیل فایل کتاب Multiscale Modeling: A Bayesian Perspective 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 مدل سازی چند مقیاس: یک دیدگاه بیزی 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 مدل سازی چند مقیاس: یک دیدگاه بیزی

طیف گسترده ای از فرآیندها در مقیاس های چندگانه، به طور طبیعی یا در نتیجه اندازه گیری رخ می دهد. این کتاب حاوی روش شناسی برای تجزیه و تحلیل داده هایی است که از چنین فرآیندهای چند مقیاسی ناشی می شوند. این کتاب تعدادی از پیشرفت‌های اخیر را گرد هم می‌آورد و آن‌ها را برای مخاطبان گسترده‌تری در دسترس قرار می‌دهد. اتخاذ رویکرد بیزی امکان حسابداری کامل عدم قطعیت را فراهم می کند و همچنین به موضوع حساس عدم قطعیت در مقیاس های چندگانه می پردازد. رویکرد بیزی همچنین استفاده از دانش حاصل از تجربیات یا داده های قبلی را تسهیل می کند و این روش ها می توانند مقادیر مختلفی از دانش قبلی را در مقیاس های مختلف مدیریت کنند، همانطور که اغلب در عمل اتفاق می افتد. هدف این کتاب آماردانان، ریاضیدانان کاربردی و مهندسین است که روی مسائل کار می کنند. برخورد با فرآیندهای چند مقیاسی در زمان و/یا مکان، مانند مهندسی، مالی، و محیط سنجی. این کتاب همچنین برای کسانی که بر روی تحقیقات محاسباتی چند مقیاسی کار می کنند جالب خواهد بود. پیش نیازهای اصلی، دانش آمار بیزی و روش های مونت کارلوی زنجیره مارکوف پایه است. تعدادی از مثال‌های دنیای واقعی به‌منظور نشان دادن روش‌ها و کمک به خوانندگان در اعمال این روش‌ها در کار خود، به‌طور کامل تحلیل می‌شوند. برای کمک بیشتر به خوانندگان، نویسندگان کد منبع (برای R) را برای بسیاری از روش‌های اساسی مورد بحث در اینجا در دسترس قرار می‌دهند.

توضیحاتی درمورد کتاب به خارجی

A wide variety of processes occur on multiple scales, either naturally or as a consequence of measurement. This book contains methodology for the analysis of data that arise from such multiscale processes. The book brings together a number of recent developments and makes them accessible to a wider audience. Taking a Bayesian approach allows for full accounting of uncertainty, and also addresses the delicate issue of uncertainty at multiple scales. The Bayesian approach also facilitates the use of knowledge from prior experience or data, and these methods can handle different amounts of prior knowledge at different scales, as often occurs in practice.The book is aimed at statisticians, applied mathematicians, and engineers working on problems dealing with multiscale processes in time and/or space, such as in engineering, finance, and environmetrics. The book will also be of interest to those working on multiscale computation research. The main prerequisites are knowledge of Bayesian statistics and basic Markov chain Monte Carlo methods. A number of real-world examples are thoroughly analyzed in order to demonstrate the methods and to assist the readers in applying these methods to their own work. To further assist readers, the authors are making source code (for R) available for many of the basic methods discussed herein.

فهرست مطالب

Preface......Page 7
Contents......Page 9
Part I: Introduction......Page 13
1 Introduction......Page 15
2.1 Markov Random Fields......Page 19
2.2 Gaussian Processes......Page 22
3 Illustrative Example......Page 29
Part II: Convolutions and Wavelets......Page 33
Convolution and Wavelet Overview......Page 35
4.1 Convolutions......Page 37
4.2 Multiscale Convolutions......Page 45
5 Wavelet Methods......Page 51
5.1 Background......Page 52
5.2 Continuous Wavelet Transform......Page 53
5.3 Scaling Function......Page 54
5.4 Discrete Wavelets and the Discrete Wavelet Transform......Page 55
5.5 Bayesian Nonparametric Regression with Wavelets......Page 58
5.6 Other Statistical Applications of Bayesian Wavelet Analysis......Page 64
Part III: Explicit Multiscale Models......Page 67
6 Overview of Explicit Multiscale Models......Page 69
6.2 Classi.cation and Regression Trees......Page 71
7 Gaussian Multiscale Models on Trees......Page 75
7.1 The Model......Page 77
7.2 Covariance Structure......Page 78
7.3 Estimation When θ Is Known......Page 81
7.4 Estimation When θ Is Unknown......Page 88
8 Hidden Markov Models on Trees......Page 91
8.1 HMMs in 1-D......Page 92
8.2 HMMs on Trees......Page 93
8.3 Estimation When θ Is Known......Page 94
8.5 Application: Image Classi.cation......Page 96
9 Mass-Balanced Multiscale Models on Trees......Page 99
9.1 Introduction......Page 100
9.2 Gaussian Case......Page 101
9.3 Poisson Case......Page 105
10 Multiscale Random Fields......Page 109
10.1 Two-Level Model......Page 111
10.2 Model with Several Levels......Page 114
10.3 The Multiscale Model as an Application of Je.rey’s Rule......Page 118
10.4 Didactic Example: Three-Level Model......Page 119
10.5 Posterior Simulation......Page 121
10.6 A Simulated Example......Page 123
11.1 Introduction......Page 125
11.2 Model Construction......Page 126
11.3 Properties of Hidden Resolution Models......Page 131
11.4 Incorporating Periodicities......Page 142
11.5 Inference and Prediction......Page 144
11.6 Examples......Page 148
12 Change of Support Models......Page 157
12.1 Point-Level Spatial Processes......Page 158
12.2 Inferring Intermediate-Level Processes......Page 161
12.3 Block-Level Spatial Processes......Page 163
Part IV: Implicit Multiscale Models......Page 165
13 Implicit Computationally Linked Model Overview......Page 167
13.1 Simulated Annealing......Page 169
13.2 Simulated Tempering......Page 170
13.3 Simulated Sintering......Page 173
13.4 Multigrid Methods......Page 175
14.1 Metropolis Coupling......Page 177
14.2 Multiscale Metropolis Coupling......Page 179
14.3 Sequential Parallel Tempering......Page 187
14.4 Extensions......Page 188
15.1 The Basics of Genetic Algorithms......Page 191
15.2 Multiscale Genetic Algorithms......Page 194
15.3 Multiscale Genetic Algorithm-Style MCMC......Page 197
15.4 Example......Page 203
Part V: Case Studies......Page 205
16.1 Introduction......Page 207
16.2 Multiscale Modeling......Page 210
16.3 Implicit Multiscale Methods......Page 221
17 Single Photon Emission Computed Tomography Example......Page 225
17.1 Metropolis Coupling......Page 229
17.2 Genetic Algorithms......Page 231
18 Conclusions......Page 235
References......Page 237
Index......Page 255