- عنوان: MCMC-from-Scratch/A-Practical-Introduction-to-Markov-Chain-Monte-Carlo
- نویسنده: Masanori-Hanada,-So-Matsuura
- حوزه: محاسبات
- سال انتشار: 2022
- تعداد صفحه: 198
- زبان اصلی انگلیسی
- نوع فایل: pdf
- حجم فایل: 5.89 مگابایت
در این کتاب با روش های مونت کارلو زنجیره مارکوف (MCMC) آشنا می شویم. MCMC یک چارچوب قدرتمند است که زمانی مفید است که میخواهیم یک تابع پیچیده را ادغام کنیم یا میخواهیم یک توزیع احتمال پیچیده را مدیریت کنیم. از لحاظ تاریخی، این یک ابزار محبوب در فیزیک بوده است که زمینه اصلی تحقیق نویسندگان است. اخیراً این ابزار در آمار و همچنین در زمینههایی که روشهای آماری مهم هستند، به عنوان مثال، یادگیری ماشین و مالی تبدیل به یک ابزار رایج شده است. MCMC اصلا دشوار نیست، بلکه یک تکنیک ساده است که بر اساس یک ایده بسیار طبیعی است. البته، اگر فکر می کنید یک تکنیک ساده را می توان تنها برای مشکلات آسان به کار برد، اشتباه بزرگی است. بلکه یک تکنیک ساده می تواند کاربردهای متنوعی داشته باشد. در واقع، بسیاری از مسائل در زمینههای مختلف مانند فیزیک کوانتومی، آمار بیزی و بهینهسازی ترکیبی به محاسبه مقادیر احتمال و انتظار کاهش مییابد که میتواند از طریق MCMC حل شود. بنابراین، اگر دانش اولیه ای از MCMC دارید، می توانید بدون توجه به زمینه مورد علاقه خود، هر زمان که با مشکلی مواجه شدید، کد شبیه سازی را خودتان بنویسید. شما همچنین می توانید یک کد شبیه سازی پیچیده را که کسی برای شما نوشته است درک کنید.
In this book, we will learn about the Markov Chain Monte Carlo (MCMC) methods. MCMC is a powerful framework that is useful when we want to integrate a complicated function or want to handle a complicated probability distribution. Historically, it has been a popular tool in physics, which is the authors’ main research field. Recently, it became a common tool in statistics as well, and also in the fields where statistical methods are important, for example, machine learning and finance. MCMC is not difficult at all, rather it is a simple technique based on a very natural idea. Of course, it is a huge mistake if you think a simple technique can be applied to only easy problems. Rather, a simple technique can have a variety of applications. Indeed, many problems in various fields such as quantum physics, Bayesian statistics, and combinatorial optimization reduce to the calculation of probability and expectation values that can be solved via MCMC. Therefore, if you have some basic knowledge of MCMC, you can write simulation code by yourself whenever you come up with a problem, regardless of the field of your interest. You can also understand a complicated simulation code somebody wrote for you.
این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.
Download: MCMC-from-Scratch
نظرات کاربران