استنتاج بیزی برای ارزیابی خطر احتمالی

دسته: تئوری کنترل
استنتاج بیزی برای ارزیابی خطر احتمالی

این کتاب به ارائه اصول اساسی بیزی برای مشکلات احتمالی ساخت و انجام استنباط در رابطه با این مشکلات پرداخته است. استنباط در این کتاب به معنای یک رویکرد محاسباتی مدرن شناخته‌شده به عنوان زنجیره‌ی مارکوف مونت کارلو (MCMC) است.
رویکرد MCMC ممکن است با استفاده از روال‌های سفارشی و یا نرم‌افزارهای متن باز یا تجاری چند منظوره موجود نوشته شود. این کتاب با استفاده از برنامه‌ای متن باز به نام OpenBugs (گاهی با نام WinBugs نیز شناخته می‌شود) به‌منظور حل مشکلات استنباطی که شرح آن پیش از این داده شد، پیاده‌سازی شده است.
یک ویژگی اساسی OpenBugs امکان انتخاب اتوماتیک یک طرح نمونه‌گیری مناسب برای مشکل مورد نظر می‌باشد. نویسنده به ارائه تجزیه‌وتحلیل “بلوک‌های ساخت‌وسازی” که قابل تغییر، ترکیب و یا استفاده برای حل انواع مشکلات چالش‌برانگیز، پرداخته است.
رویکرد MCMC مورد استفاده همانند زبان‌های برنامه‌نویسی از نوع کلان، با اسکریپت‌های متنی کوچکتری پیاده‌سازی شده است. همراه با بیشتر اسکریپت‌ها یک شبکه بیزی گرافیکی وجود دارد که نشان‌دهنده عناصر اسکریپت و استنتاج کلی مشکل حل شده می‌باشند.
سال انتشار: 2011  |  230 صفحه  |  حجم فایل: 4 مگابایت  |  زبان: انگلیسی

Bayesian Inference for Probabilistic Risk Assessment: A Practitioner’s Guidebook
نویسنده
Dana Kelly, Curtis Smith
ناشر
Springer
ISBN10:
1849961867
ISBN13:
9781849961868

 

قیمت: 16000 تومان

خرید کتاب توسط کلیه کارت های شتاب امکان پذیر است و بلافاصله پس از خرید، لینک دانلود فایل کتاب در اختیار شما قرار خواهد گرفت.

برچسب‌ها:  

عناوین مرتبط:


Bayesian Inference for Probabilistic Risk Assessment provides a Bayesian foundation for framing probabilistic problems and performing inference on these problems. Inference in the book employs a modern computational approach known as Markov chain Monte Carlo (MCMC). The MCMC approach may be implemented using custom-written routines or existing general purpose commercial or open-source software. This book uses an open-source program called OpenBUGS (commonly referred to as WinBUGS) to solve the inference problems that are described. A powerful feature of OpenBUGS is its automatic selection of an appropriate MCMC sampling scheme for a given problem. The authors provide analysis “building blocks” that can be modified, combined, or used as-is to solve a variety of challenging problems. The MCMC approach used is implemented via textual scripts similar to a macro-type programming language. Accompanying most scripts is a graphical Bayesian network illustrating the elements of the script and the overall inference problem being solved. Bayesian Inference for Probabilistic Risk Assessment also covers the important topics of MCMC convergence and Bayesian model checking. Bayesian Inference for Probabilistic Risk Assessment is aimed at scientists and engineers who perform or review risk analyses. It provides an analytical structure for combining data and information from various sources to generate estimates of the parameters of uncertainty distributions used in risk and reliability models.


دیدگاه ها ۲ دیدگاه برای این مطلب ارسال شده است.
  1. جالب بود باز هم سر بزنید

  2. بسیار ممنون

ارسال دیدگاه


 (الزامی)  (الزامی)
ایمیل شما نزد مدیر سایت محفوظ بوده و برای عموم نمایش داده نخواهد شد.