An Introduction to Sequential Monte Carlo / Chopin, Nicolas  

Público ISBD Ningún comentario para este registro. Título : An Introduction to Sequential Monte Carlo Tipo de documento: documento electrónico Autores: Chopin, Nicolas, Autor ; Papaspiliopoulos, Omiros, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XXIV, 378 p. 60 ilustraciones ISBN/ISSN/DL: 978-3-030-47845-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas  Grandes datos  teoría del sistema  Teoría y métodos estadísticos  Sistemas complejos  Estadística y Computación  Estadística en Ingeniería  Física  Informática  Química y Ciencias de la Tierra Índice Dewey: 519.5 Matemáticas estadísticas Resumen: Este libro proporciona una introducción general a los métodos Sequential Monte Carlo (SMC), también conocidos como filtros de partículas. Estos métodos se han convertido en un elemento básico para el análisis secuencial de datos en campos tan diversos como el procesamiento de señales, la epidemiología, el aprendizaje automático, la ecología de poblaciones, las finanzas cuantitativas y la robótica. La cobertura es integral y abarca desde la teoría subyacente hasta la implementación computacional, la metodología y diversas aplicaciones en diversas áreas de la ciencia. Esto se logra describiendo los algoritmos SMC como casos particulares de un marco general, que involucra conceptos como las distribuciones de Feynman-Kac y herramientas como el muestreo y remuestreo de importancia. Este marco general se utiliza consistentemente a lo largo del libro. Se proporciona una amplia cobertura sobre el aprendizaje secuencial (filtrado, suavizado) de modelos de espacio de estados (Markov oculto), ya que sigue siendo una aplicación importante de los métodos SMC. También se analizan aplicaciones más recientes, como la estimación de parámetros de estos modelos (por ejemplo, mediante técnicas de Monte Carlo de cadena de Markov de partículas) y la simulación de distribuciones de probabilidad desafiantes (por ejemplo, inferencia bayesiana o problemas de eventos raros). El libro puede utilizarse como texto de posgrado sobre métodos secuenciales de Monte Carlo y modelado del espacio de estados, o como obra de referencia general sobre el área. Cada capítulo incluye un conjunto de ejercicios para el autoestudio, una bibliografía completa y un "rincón de Python", que analiza la implementación práctica de los métodos cubiertos. Además, el libro viene con una biblioteca Python de código abierto, que implementa todos los algoritmos descritos en el libro y contiene todos los programas que se utilizaron para realizar los experimentos numéricos. Nota de contenido: 1 Preface -- 2 Introduction to state-space models -- 3 Beyond state-space models -- 4 Introduction to Markov processes -- 5 Feynman-Kac models: definition, properties and recursions -- 6 Finite state-spaces and hidden Markov models -- 7 Linear-Gaussian state-space models -- 8 Importance sampling -- 9 Importance resampling -- 10 Particle filtering -- 11 Convergence and stability of particle filters -- 12 Particle smoothing -- 13 Sequential quasi-Monte Carlo -- 14 Maximum likelihood estimation of state-space models -- 15 Markov chain Monte Carlo -- 16 Bayesian estimation of state-space models and particle MCMC -- 17 SMC samplers -- 18 SMC2, sequential inference in state-space models -- 19 Advanced topics and open problems. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i An Introduction to Sequential Monte Carlo [documento electrónico] / Chopin, Nicolas, Autor ; Papaspiliopoulos, Omiros, Autor  . -  1 ed.  . - [s.l.] : Springer, 2020 . - XXIV, 378 p. 60 ilustraciones. ISBN : 978-3-030-47845-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas  Grandes datos  teoría del sistema  Teoría y métodos estadísticos  Sistemas complejos  Estadística y Computación  Estadística en Ingeniería  Física  Informática  Química y Ciencias de la Tierra Índice Dewey: 519.5 Matemáticas estadísticas Resumen: Este libro proporciona una introducción general a los métodos Sequential Monte Carlo (SMC), también conocidos como filtros de partículas. Estos métodos se han convertido en un elemento básico para el análisis secuencial de datos en campos tan diversos como el procesamiento de señales, la epidemiología, el aprendizaje automático, la ecología de poblaciones, las finanzas cuantitativas y la robótica. La cobertura es integral y abarca desde la teoría subyacente hasta la implementación computacional, la metodología y diversas aplicaciones en diversas áreas de la ciencia. Esto se logra describiendo los algoritmos SMC como casos particulares de un marco general, que involucra conceptos como las distribuciones de Feynman-Kac y herramientas como el muestreo y remuestreo de importancia. Este marco general se utiliza consistentemente a lo largo del libro. Se proporciona una amplia cobertura sobre el aprendizaje secuencial (filtrado, suavizado) de modelos de espacio de estados (Markov oculto), ya que sigue siendo una aplicación importante de los métodos SMC. También se analizan aplicaciones más recientes, como la estimación de parámetros de estos modelos (por ejemplo, mediante técnicas de Monte Carlo de cadena de Markov de partículas) y la simulación de distribuciones de probabilidad desafiantes (por ejemplo, inferencia bayesiana o problemas de eventos raros). El libro puede utilizarse como texto de posgrado sobre métodos secuenciales de Monte Carlo y modelado del espacio de estados, o como obra de referencia general sobre el área. Cada capítulo incluye un conjunto de ejercicios para el autoestudio, una bibliografía completa y un "rincón de Python", que analiza la implementación práctica de los métodos cubiertos. Además, el libro viene con una biblioteca Python de código abierto, que implementa todos los algoritmos descritos en el libro y contiene todos los programas que se utilizaron para realizar los experimentos numéricos. Nota de contenido: 1 Preface -- 2 Introduction to state-space models -- 3 Beyond state-space models -- 4 Introduction to Markov processes -- 5 Feynman-Kac models: definition, properties and recursions -- 6 Finite state-spaces and hidden Markov models -- 7 Linear-Gaussian state-space models -- 8 Importance sampling -- 9 Importance resampling -- 10 Particle filtering -- 11 Convergence and stability of particle filters -- 12 Particle smoothing -- 13 Sequential quasi-Monte Carlo -- 14 Maximum likelihood estimation of state-space models -- 15 Markov chain Monte Carlo -- 16 Bayesian estimation of state-space models and particle MCMC -- 17 SMC samplers -- 18 SMC2, sequential inference in state-space models -- 19 Advanced topics and open problems. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200