Книга "Advanced Markov Chain Monte Carlo Methods" рассматривает методы Монте-Карло на основе цепей Маркова (MCMC), которые являются незаменимым инструментом в научном вычислительном моделировании. В книге обсуждаются последние разработки методов MCMC, с акцентом на использовании информации о прошлых выборках во время моделирования. Примеры применения методов MCMC извлечены из различных областей, таких как биоинформатика, машинное обучение, социальные науки, комбинаторная оптимизация и вычислительная физика.
В книге также расширено описание стохастических аппроксимационных методов Монте-Карло и алгоритмов динамического взвешивания, которые практически не подвержены проблемам локальных ловушек. Подробно обсуждается алгоритм Метрополиса-Гастингса Монте-Карло, который может использоваться для выборок из распределений с непреодолимыми нормализующими константами. Обеспечивается актуальность описания недавних разработок алгоритмов Гиббса. Представлены полные обзоры алгоритмов MCMC на основе популяционных методов и алгоритмов MCMC с адаптивными предложениями.
Эта книга может использоваться как учебник или справочник для одного семестра магистерского курса по статистике, вычислительной биологии, инженерии и компьютерным наукам. Прикладные или теоретические исследователи также найдут в этой книге пользу.
Книга **Advanced Markov Chain Monte Carlo** Methods by Professor Faming Liang в настоящее время является незаменимым инструментом в научном компьютерном моделировании. Данная книга обсуждает последние разработки методов MCMC (Markov Chain Monte Carlo) с акцентом на использование предыстории при создании симуляций. Примеры применения взяты из различных областей, начиная от биоинформатики и машинному обучению до социальных наук, комбинаторной оптимизации и вычислительной физики.
Особенности: * Расширенное обсуждение алгоритмов стохастической аппроксимации и изменения динамического веса, которые, хоть и имеют локальные проблемы, редко перестают работать; * Подробный разбор алгоритма Монте-Карло Metropolis- Hastings для обработки данных по распределениям без доступных констант нормализации; * Обновлённые сведения о последних разработках Гиббса; * Всесторонние обзоры популяционных алгоритмов MCMC и MCMC с адаптивными предложениями;
Эта книга может использоваться как учебник или справочный материал для одного семестрового курса по статистике, вычислительной биологии, инженерии и компьютерным наукам, эта книга также будет полезна прикладной и теоретической исследовательским работам.
Электронная Книга «Advanced Markov Chain Monte Carlo Methods» написана автором Faming Liang в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9780470669730
Описание книги от Faming Liang
Markov Chain Monte Carlo (MCMC) methods are now an indispensable tool in scientific computing. This book discusses recent developments of MCMC methods with an emphasis on those making use of past sample information during simulations. The application examples are drawn from diverse fields such as bioinformatics, machine learning, social science, combinatorial optimization, and computational physics. Key Features: Expanded coverage of the stochastic approximation Monte Carlo and dynamic weighting algorithms that are essentially immune to local trap problems. A detailed discussion of the Monte Carlo Metropolis-Hastings algorithm that can be used for sampling from distributions with intractable normalizing constants. Up-to-date accounts of recent developments of the Gibbs sampler. Comprehensive overviews of the population-based MCMC algorithms and the MCMC algorithms with adaptive proposals. This book can be used as a textbook or a reference book for a one-semester graduate course in statistics, computational biology, engineering, and computer sciences. Applied or theoretical researchers will also find this book beneficial.
