An Introduction to Bayesian Inference, Methods and Computation / Heard, Nick  

Público ISBD Ningún comentario para este registro. Título : An Introduction to Bayesian Inference, Methods and Computation Tipo de documento: documento electrónico Autores: Heard, Nick, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XII, 169 p. 82 ilustraciones, 70 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-82808-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Investigación cuantitativa  Inferencia bayesiana  Estadística y Computación  Análisis de datos y Big Data Clasificación: 519.542 Resumen: Estas notas de clase proporcionan una introducción rápida y accesible a los métodos estadísticos bayesianos. El curso cubre la filosofía y los principios fundamentales de la inferencia bayesiana, incluido el razonamiento detrás de la construcción del modelo previo/de probabilidad sinónimo de los métodos bayesianos, hasta temas avanzados como los no paramétricos, los procesos gaussianos y los modelos de factores latentes. Estas técnicas de modelado avanzadas se pueden aplicar fácilmente utilizando ejemplos de código informático escritos en Python y Stan que están integrados en el texto principal. Es importante destacar que el lector aprenderá métodos para evaluar el ajuste del modelo y elegir entre enfoques de modelado rivales. . Nota de contenido: Uncertainty and Decisions -- Prior and Likelihood Representation -- Graphical Modeling -- Parametric Models -- Computational Inference -- Bayesian Software Packages -- Model choice -- Linear Models -- Nonparametric Models -- Nonparametric Regression -- Clustering and Latent Factor Models -- Conjugate Parametric Models. Tipo de medio : Computadora Summary : These lecture notes provide a rapid, accessible introduction to Bayesian statistical methods. The course covers the fundamental philosophy and principles of Bayesian inference, including the reasoning behind the prior/likelihood model construction synonymous with Bayesian methods, through to advanced topics such as nonparametrics, Gaussian processes and latent factor models. These advanced modelling techniques can easily be applied using computer code samples written in Python and Stan which are integrated into the main text. Importantly, the reader will learn methods for assessing model fit, and to choose between rival modelling approaches. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] An Introduction to Bayesian Inference, Methods and Computation [documento electrónico] / Heard, Nick,  . -  1 ed.  . - [s.l.] : Springer, 2021 . - XII, 169 p. 82 ilustraciones, 70 ilustraciones en color. ISBN : 978-3-030-82808-0 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Investigación cuantitativa  Inferencia bayesiana  Estadística y Computación  Análisis de datos y Big Data Clasificación: 519.542 Resumen: Estas notas de clase proporcionan una introducción rápida y accesible a los métodos estadísticos bayesianos. El curso cubre la filosofía y los principios fundamentales de la inferencia bayesiana, incluido el razonamiento detrás de la construcción del modelo previo/de probabilidad sinónimo de los métodos bayesianos, hasta temas avanzados como los no paramétricos, los procesos gaussianos y los modelos de factores latentes. Estas técnicas de modelado avanzadas se pueden aplicar fácilmente utilizando ejemplos de código informático escritos en Python y Stan que están integrados en el texto principal. Es importante destacar que el lector aprenderá métodos para evaluar el ajuste del modelo y elegir entre enfoques de modelado rivales. . Nota de contenido: Uncertainty and Decisions -- Prior and Likelihood Representation -- Graphical Modeling -- Parametric Models -- Computational Inference -- Bayesian Software Packages -- Model choice -- Linear Models -- Nonparametric Models -- Nonparametric Regression -- Clustering and Latent Factor Models -- Conjugate Parametric Models. Tipo de medio : Computadora Summary : These lecture notes provide a rapid, accessible introduction to Bayesian statistical methods. The course covers the fundamental philosophy and principles of Bayesian inference, including the reasoning behind the prior/likelihood model construction synonymous with Bayesian methods, through to advanced topics such as nonparametrics, Gaussian processes and latent factor models. These advanced modelling techniques can easily be applied using computer code samples written in Python and Stan which are integrated into the main text. Importantly, the reader will learn methods for assessing model fit, and to choose between rival modelling approaches. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

Bayesian Claims Reserving Methods in Non-life Insurance with Stan / Gao, Guangyuan  

Público ISBD Ningún comentario para este registro. Título : Bayesian Claims Reserving Methods in Non-life Insurance with Stan : An Introduction Tipo de documento: documento electrónico Autores: Gao, Guangyuan, Mención de edición: 1 ed. Editorial: Singapore [Malasia] : Springer Fecha de publicación: 2018 Número de páginas: XII, 205 p. 72 ilustraciones, 62 ilustraciones en color. ISBN/ISSN/DL: 978-981-1336096-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Econometría  Inferencia bayesiana  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros  Economía cuantitativa Clasificación: 519.542 Resumen: Este libro ofrece primero una revisión de varios aspectos de la estadística bayesiana. Luego investiga tres tipos de modelos de reserva de reclamaciones en el marco bayesiano: modelos de escalera de cadenas, modelos de expansión de bases que involucran un factor de cola y modelos de cópula multivariados. Para los métodos inferenciales bayesianos, este libro se basa en gran medida en Stan, un entorno de software especializado que aplica el método hamiltoniano de Monte Carlo y el Bayes variacional. . Nota de contenido: Chapter1 Introduction -- Chapter2 Bayesian Fundamentals -- Chapter3 Advanced Bayesian Computation -- Chapter4 Bayesian Chain Ladder Models -- Chapter5 Bayesian Basis Expansion Models -- Chapter6 Multivariate Modelling Using Copulas -- Chapter7 Epilogue. Tipo de medio : Computadora Summary : This book first provides a review of various aspects of Bayesian statistics. It then investigates three types of claims reserving models in the Bayesian framework: chain ladder models, basis expansion models involving a tail factor, and multivariate copula models. For the Bayesian inferential methods, this book largely relies on Stan, a specialized software environment which applies Hamiltonian Monte Carlo method and variational Bayes. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Bayesian Claims Reserving Methods in Non-life Insurance with Stan : An Introduction [documento electrónico] / Gao, Guangyuan,  . -  1 ed.  . - Singapore [Malasia] : Springer, 2018 . - XII, 205 p. 72 ilustraciones, 62 ilustraciones en color. ISBN : 978-981-1336096-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Econometría  Inferencia bayesiana  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros  Economía cuantitativa Clasificación: 519.542 Resumen: Este libro ofrece primero una revisión de varios aspectos de la estadística bayesiana. Luego investiga tres tipos de modelos de reserva de reclamaciones en el marco bayesiano: modelos de escalera de cadenas, modelos de expansión de bases que involucran un factor de cola y modelos de cópula multivariados. Para los métodos inferenciales bayesianos, este libro se basa en gran medida en Stan, un entorno de software especializado que aplica el método hamiltoniano de Monte Carlo y el Bayes variacional. . Nota de contenido: Chapter1 Introduction -- Chapter2 Bayesian Fundamentals -- Chapter3 Advanced Bayesian Computation -- Chapter4 Bayesian Chain Ladder Models -- Chapter5 Bayesian Basis Expansion Models -- Chapter6 Multivariate Modelling Using Copulas -- Chapter7 Epilogue. Tipo de medio : Computadora Summary : This book first provides a review of various aspects of Bayesian statistics. It then investigates three types of claims reserving models in the Bayesian framework: chain ladder models, basis expansion models involving a tail factor, and multivariate copula models. For the Bayesian inferential methods, this book largely relies on Stan, a specialized software environment which applies Hamiltonian Monte Carlo method and variational Bayes. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

Bayesian Compendium / van Oijen, Marcel  

Público ISBD Ningún comentario para este registro. Título : Bayesian Compendium Tipo de documento: documento electrónico Autores: van Oijen, Marcel, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIV, 204 p. 60 ilustraciones, 23 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-55897-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Biometría  Monitoreo ambiental  Química analítica  Inferencia bayesiana  Bioestadística  Teoría y métodos estadísticos. Clasificación: 519.542 Resumen: Este libro describe cómo funcionan los métodos bayesianos. Su objetivo principal es desmitificarlos y mostrar a los lectores que el pensamiento bayesiano no es difícil y puede utilizarse prácticamente en todo tipo de investigación. Además de revelar la simplicidad subyacente de los métodos estadísticos, el libro explica cómo parametrizar y comparar modelos teniendo en cuenta las incertidumbres en los datos, los parámetros del modelo y las estructuras del modelo. ¿Cómo se deben utilizar exactamente los datos en el modelado? La literatura ofrece una variedad desconcertante de técnicas y enfoques (calibración bayesiana, asimilación de datos, filtrado de Kalman, fusión de datos y modelos). Este libro proporciona una guía breve y sencilla para todo esto y más. Fue escrito desde una perspectiva bayesiana unificadora, que revela cómo la multitud de técnicas y enfoques están relacionados entre sí. Se introducen nociones básicas de la teoría de la probabilidad. Se incluyen ejemplos de código ejecutable para mejorar el uso práctico del libro para los modeladores científicos, y todo el código también está disponible en línea. Nota de contenido: Preface -- 1 Introduction to Bayesian thinking -- 2 Introduction to Bayesian science -- 3 Assigning a prior distribution -- 4 Assigning a likelihood function -- 5 Deriving the posterior distribution -- 6 Sampling from any distribution by MCMC -- 7 Sampling from the posterior distribution by MCMC -- 8 Twelve ways to fit a straight line -- 9 MCMC and complex models -- 10 Bayesian calibration and MCMC: Frequently asked questions -- 11 After the calibration: Interpretation, reporting, visualization -- 2 Model ensembles: BMC and BMA -- 13 Discrepancy -- 14 Gaussian Processes and model emulation -- 15 Graphical Modelling (GM) -- 16 Bayesian Hierarchical Modelling (BHM) -- 17 Probabilistic risk analysis and Bayesian decision theory -- 18 Approximations to Bayes -- 19 Linear modelling: LM, GLM, GAM and mixed models -- 20 Machine learning -- 21 Time series and data assimilation -- 22 Spatial modelling and scaling error -- 23 Spatio-temporal modelling and adaptive sampling -- 24 What next? -- Appendix 1: Notation and abbreviations -- Appendix 2: Mathematics for modellers -- Appendix 3: Probability theory for modellers -- Appendix 4: R -- Appendix 5: Bayesian software. Tipo de medio : Computadora Summary : This book describes how Bayesian methods work. Its primary aim is to demystify them, and to show readers: Bayesian thinking isn't difficult and can be used in virtually every kind of research. In addition to revealing the underlying simplicity of statistical methods, the book explains how to parameterise and compare models while accounting for uncertainties in data, model parameters and model structures. How exactly should data be used in modelling? The literature offers a bewildering variety of techniques and approaches (Bayesian calibration, data assimilation, Kalman filtering, model-data fusion). This book provides a short and easy guide to all of these and more. It was written from a unifying Bayesian perspective, which reveals how the multitude of techniques and approaches are in fact all related to one another. Basic notions from probability theory are introduced. Executable code examples are included to enhance the book's practical use for scientific modellers, andall code is available online as well. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Bayesian Compendium [documento electrónico] / van Oijen, Marcel,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - XIV, 204 p. 60 ilustraciones, 23 ilustraciones en color. ISBN : 978-3-030-55897-0 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Biometría  Monitoreo ambiental  Química analítica  Inferencia bayesiana  Bioestadística  Teoría y métodos estadísticos. Clasificación: 519.542 Resumen: Este libro describe cómo funcionan los métodos bayesianos. Su objetivo principal es desmitificarlos y mostrar a los lectores que el pensamiento bayesiano no es difícil y puede utilizarse prácticamente en todo tipo de investigación. Además de revelar la simplicidad subyacente de los métodos estadísticos, el libro explica cómo parametrizar y comparar modelos teniendo en cuenta las incertidumbres en los datos, los parámetros del modelo y las estructuras del modelo. ¿Cómo se deben utilizar exactamente los datos en el modelado? La literatura ofrece una variedad desconcertante de técnicas y enfoques (calibración bayesiana, asimilación de datos, filtrado de Kalman, fusión de datos y modelos). Este libro proporciona una guía breve y sencilla para todo esto y más. Fue escrito desde una perspectiva bayesiana unificadora, que revela cómo la multitud de técnicas y enfoques están relacionados entre sí. Se introducen nociones básicas de la teoría de la probabilidad. Se incluyen ejemplos de código ejecutable para mejorar el uso práctico del libro para los modeladores científicos, y todo el código también está disponible en línea. Nota de contenido: Preface -- 1 Introduction to Bayesian thinking -- 2 Introduction to Bayesian science -- 3 Assigning a prior distribution -- 4 Assigning a likelihood function -- 5 Deriving the posterior distribution -- 6 Sampling from any distribution by MCMC -- 7 Sampling from the posterior distribution by MCMC -- 8 Twelve ways to fit a straight line -- 9 MCMC and complex models -- 10 Bayesian calibration and MCMC: Frequently asked questions -- 11 After the calibration: Interpretation, reporting, visualization -- 2 Model ensembles: BMC and BMA -- 13 Discrepancy -- 14 Gaussian Processes and model emulation -- 15 Graphical Modelling (GM) -- 16 Bayesian Hierarchical Modelling (BHM) -- 17 Probabilistic risk analysis and Bayesian decision theory -- 18 Approximations to Bayes -- 19 Linear modelling: LM, GLM, GAM and mixed models -- 20 Machine learning -- 21 Time series and data assimilation -- 22 Spatial modelling and scaling error -- 23 Spatio-temporal modelling and adaptive sampling -- 24 What next? -- Appendix 1: Notation and abbreviations -- Appendix 2: Mathematics for modellers -- Appendix 3: Probability theory for modellers -- Appendix 4: R -- Appendix 5: Bayesian software. Tipo de medio : Computadora Summary : This book describes how Bayesian methods work. Its primary aim is to demystify them, and to show readers: Bayesian thinking isn't difficult and can be used in virtually every kind of research. In addition to revealing the underlying simplicity of statistical methods, the book explains how to parameterise and compare models while accounting for uncertainties in data, model parameters and model structures. How exactly should data be used in modelling? The literature offers a bewildering variety of techniques and approaches (Bayesian calibration, data assimilation, Kalman filtering, model-data fusion). This book provides a short and easy guide to all of these and more. It was written from a unifying Bayesian perspective, which reveals how the multitude of techniques and approaches are in fact all related to one another. Basic notions from probability theory are introduced. Executable code examples are included to enhance the book's practical use for scientific modellers, andall code is available online as well. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

Bayesian Optimization with Application to Computer Experiments / Pourmohamad, Tony  

Público ISBD Ningún comentario para este registro. Título : Bayesian Optimization with Application to Computer Experiments Tipo de documento: documento electrónico Autores: Pourmohamad, Tony, ; K. H. Lee, Herbert, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 104 p. 64 ilustraciones, 56 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-82458-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Diseño experimental  Aprendizaje automático  Inferencia bayesiana  Red bayesiana  Diseño de experimentos Clasificación: 519.542 Resumen: Este libro presenta a los lectores la optimización bayesiana, destaca los avances en este campo y muestra sus aplicaciones exitosas en experimentos informáticos. El código R está disponible como material complementario en línea para la mayoría de los ejemplos incluidos, de modo que los lectores puedan comprender y reproducir mejor los métodos. Compacto y accesible, el volumen se divide en cuatro capítulos. El capítulo 1 presenta al lector el tema de los experimentos informáticos; Incluye una variedad de ejemplos en muchas industrias. El Capítulo 2 se centra en la tarea de construcción de modelos sustitutos y contiene una combinación de varios modelos sustitutos diferentes que se utilizan en las comunidades de modelado por computadora y aprendizaje automático. El Capítulo 3 presenta los conceptos centrales de la optimización bayesiana y analiza la optimización sin restricciones. El capítulo 4 pasa a la optimización restringida y muestra algunos de los métodos más novedosos encontrados en este campo. Será un compañero útil para investigadores y profesionales que trabajan con experimentos y modelos informáticos. Además, los lectores con experiencia en aprendizaje automático pero mínima experiencia en experimentos informáticos encontrarán en este libro un interesante estudio de caso sobre la aplicabilidad de la optimización bayesiana fuera del ámbito del aprendizaje automático. Nota de contenido: 1. Computer experiments -- 2. Surrogate models -- 3. Unconstrained optimization -- 4. Constrained optimization. Tipo de medio : Computadora Summary : This book introduces readers to Bayesian optimization, highlighting advances in the field and showcasing its successful applications to computer experiments. R code is available as online supplementary material for most included examples, so that readers can better comprehend and reproduce methods. Compact and accessible, the volume is broken down into four chapters. Chapter 1 introduces the reader to the topic of computer experiments; it includes a variety of examples across many industries. Chapter 2 focuses on the task of surrogate model building and contains a mix of several different surrogate models that are used in the computer modeling and machine learning communities. Chapter 3 introduces the core concepts of Bayesian optimization and discusses unconstrained optimization. Chapter 4 moves on to constrained optimization, and showcases some of the most novel methods found in the field. This will be a useful companion to researchers and practitioners working with computer experiments and computer modeling. Additionally, readers with a background in machine learning but minimal background in computer experiments will find this book an interesting case study of the applicability of Bayesian optimization outside the realm of machine learning. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Bayesian Optimization with Application to Computer Experiments [documento electrónico] / Pourmohamad, Tony, ; K. H. Lee, Herbert,  . -  1 ed.  . - [s.l.] : Springer, 2021 . - X, 104 p. 64 ilustraciones, 56 ilustraciones en color. ISBN : 978-3-030-82458-7 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Diseño experimental  Aprendizaje automático  Inferencia bayesiana  Red bayesiana  Diseño de experimentos Clasificación: 519.542 Resumen: Este libro presenta a los lectores la optimización bayesiana, destaca los avances en este campo y muestra sus aplicaciones exitosas en experimentos informáticos. El código R está disponible como material complementario en línea para la mayoría de los ejemplos incluidos, de modo que los lectores puedan comprender y reproducir mejor los métodos. Compacto y accesible, el volumen se divide en cuatro capítulos. El capítulo 1 presenta al lector el tema de los experimentos informáticos; Incluye una variedad de ejemplos en muchas industrias. El Capítulo 2 se centra en la tarea de construcción de modelos sustitutos y contiene una combinación de varios modelos sustitutos diferentes que se utilizan en las comunidades de modelado por computadora y aprendizaje automático. El Capítulo 3 presenta los conceptos centrales de la optimización bayesiana y analiza la optimización sin restricciones. El capítulo 4 pasa a la optimización restringida y muestra algunos de los métodos más novedosos encontrados en este campo. Será un compañero útil para investigadores y profesionales que trabajan con experimentos y modelos informáticos. Además, los lectores con experiencia en aprendizaje automático pero mínima experiencia en experimentos informáticos encontrarán en este libro un interesante estudio de caso sobre la aplicabilidad de la optimización bayesiana fuera del ámbito del aprendizaje automático. Nota de contenido: 1. Computer experiments -- 2. Surrogate models -- 3. Unconstrained optimization -- 4. Constrained optimization. Tipo de medio : Computadora Summary : This book introduces readers to Bayesian optimization, highlighting advances in the field and showcasing its successful applications to computer experiments. R code is available as online supplementary material for most included examples, so that readers can better comprehend and reproduce methods. Compact and accessible, the volume is broken down into four chapters. Chapter 1 introduces the reader to the topic of computer experiments; it includes a variety of examples across many industries. Chapter 2 focuses on the task of surrogate model building and contains a mix of several different surrogate models that are used in the computer modeling and machine learning communities. Chapter 3 introduces the core concepts of Bayesian optimization and discusses unconstrained optimization. Chapter 4 moves on to constrained optimization, and showcases some of the most novel methods found in the field. This will be a useful companion to researchers and practitioners working with computer experiments and computer modeling. Additionally, readers with a background in machine learning but minimal background in computer experiments will find this book an interesting case study of the applicability of Bayesian optimization outside the realm of machine learning. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

Case Studies in Applied Bayesian Data Science / Mengersen, Kerrie L. ; Pudlo, Pierre ; Robert, Christian P.  

Público ISBD Ningún comentario para este registro. Título : Case Studies in Applied Bayesian Data Science : CIRM Jean-Morlet Chair, Fall 2018 Tipo de documento: documento electrónico Autores: Mengersen, Kerrie L., ; Pudlo, Pierre, ; Robert, Christian P., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: VI, 420 p. 110 ilustraciones, 94 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-42553-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Probabilidades  Inferencia bayesiana  Teoría de probabilidad  Estadísticas aplicadas Clasificación: 519.542 Resumen: Este libro, que presenta una variedad de problemas aplicados sustantivos dentro de la estadística bayesiana junto con sus soluciones bayesianas, surge de un programa de investigación en CIRM en Francia en el segundo semestre de 2018, que apoyó a Kerrie Mengersen como presidenta visitante Jean-Morlet y a Pierre Pudlo como presidente. Profesor investigador local. El campo de la estadística bayesiana se ha disparado en los últimos treinta años y ahora es un campo de investigación establecido en estadística matemática e informática, un componente clave de la ciencia de datos y una metodología subyacente en muchos dominios de la ciencia, los negocios y las ciencias sociales. Además, aunque permanecen naturalmente entrelazadas, las tres ramas de la estadística bayesiana, a saber, el modelado, la computación y la inferencia, se han convertido en campos de investigación independientes. Si bien las ramas de investigación de la estadística bayesiana continúan creciendo en muchas direcciones, se aprovechan cuando la atención se centra en resolver problemas sustantivos aplicados. Cada uno de estos conjuntos de problemas tiene sus propios desafíos y, por lo tanto, extrae del conjunto de investigaciones una solución personalizada. El libro será útil tanto para los estadísticos teóricos como aplicados, así como para los profesionales, para inspeccionar estas soluciones en el contexto de los problemas, con el fin de obtener una mayor comprensión, conciencia e inspiración. . Tipo de medio : Computadora Summary : Presenting a range of substantive applied problems within Bayesian Statistics along with their Bayesian solutions, this book arises from a research program at CIRM in France in the second semester of 2018, which supported Kerrie Mengersen as a visiting Jean-Morlet Chair and Pierre Pudlo as the local Research Professor. The field of Bayesian statistics has exploded over the past thirty years and is now an established field of research in mathematical statistics and computer science, a key component of data science, and an underpinning methodology in many domains of science, business and social science. Moreover, while remaining naturally entwined, the three arms of Bayesian statistics, namely modelling, computation and inference, have grown into independent research fields.While the research arms of Bayesian statistics continue to grow in many directions, they are harnessed when attention turns to solving substantive applied problems. Each such problem set has its own challenges and hence draws from the suite of research a bespoke solution. The book will be useful for both theoretical and applied statisticians, as well as practitioners, to inspect these solutions in the context of the problems, in order to draw further understanding, awareness and inspiration. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Case Studies in Applied Bayesian Data Science : CIRM Jean-Morlet Chair, Fall 2018 [documento electrónico] / Mengersen, Kerrie L., ; Pudlo, Pierre, ; Robert, Christian P.,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - VI, 420 p. 110 ilustraciones, 94 ilustraciones en color. ISBN : 978-3-030-42553-1 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Estadísticas  Probabilidades  Inferencia bayesiana  Teoría de probabilidad  Estadísticas aplicadas Clasificación: 519.542 Resumen: Este libro, que presenta una variedad de problemas aplicados sustantivos dentro de la estadística bayesiana junto con sus soluciones bayesianas, surge de un programa de investigación en CIRM en Francia en el segundo semestre de 2018, que apoyó a Kerrie Mengersen como presidenta visitante Jean-Morlet y a Pierre Pudlo como presidente. Profesor investigador local. El campo de la estadística bayesiana se ha disparado en los últimos treinta años y ahora es un campo de investigación establecido en estadística matemática e informática, un componente clave de la ciencia de datos y una metodología subyacente en muchos dominios de la ciencia, los negocios y las ciencias sociales. Además, aunque permanecen naturalmente entrelazadas, las tres ramas de la estadística bayesiana, a saber, el modelado, la computación y la inferencia, se han convertido en campos de investigación independientes. Si bien las ramas de investigación de la estadística bayesiana continúan creciendo en muchas direcciones, se aprovechan cuando la atención se centra en resolver problemas sustantivos aplicados. Cada uno de estos conjuntos de problemas tiene sus propios desafíos y, por lo tanto, extrae del conjunto de investigaciones una solución personalizada. El libro será útil tanto para los estadísticos teóricos como aplicados, así como para los profesionales, para inspeccionar estas soluciones en el contexto de los problemas, con el fin de obtener una mayor comprensión, conciencia e inspiración. . Tipo de medio : Computadora Summary : Presenting a range of substantive applied problems within Bayesian Statistics along with their Bayesian solutions, this book arises from a research program at CIRM in France in the second semester of 2018, which supported Kerrie Mengersen as a visiting Jean-Morlet Chair and Pierre Pudlo as the local Research Professor. The field of Bayesian statistics has exploded over the past thirty years and is now an established field of research in mathematical statistics and computer science, a key component of data science, and an underpinning methodology in many domains of science, business and social science. Moreover, while remaining naturally entwined, the three arms of Bayesian statistics, namely modelling, computation and inference, have grown into independent research fields.While the research arms of Bayesian statistics continue to grow in many directions, they are harnessed when attention turns to solving substantive applied problems. Each such problem set has its own challenges and hence draws from the suite of research a bespoke solution. The book will be useful for both theoretical and applied statisticians, as well as practitioners, to inspect these solutions in the context of the problems, in order to draw further understanding, awareness and inspiration. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 5 / 5) Ver por página : 25 50 100 200