دانلود کتاب Finite Mixture Models (به فارسی: مدل های مخلوط محدود) نوشته شده توسط «Geoffrey McLachlan – David Peel»
اطلاعات کتاب مدل های مخلوط محدود
موضوع اصلی: 1
نوع: کتاب الکترونیکی
ناشر: Wiley-Interscience
نویسنده: Geoffrey McLachlan – David Peel
زبان: English
فرمت کتاب: djvu (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2000
تعداد صفحه: 438
حجم کتاب: 5 مگابایت
کد کتاب: 9780471006268 , 0471006262
نوبت چاپ: 1
توضیحات کتاب مدل های مخلوط محدود
مک لاچلان و باسفورد (1988) و تیترینگتون، اسمیت و ماکوف (1985) اولین متون خوب نوشته شده‌ای بودند که ادبیات متنوع و مسائل ریاضی را که می‌توان از طریق مدل‌های مخلوط درمان کرد، خلاصه کرد. جف مک لاکلان نویسنده چهار متن آماری به نام های (1) مک لاکلان و باسفورد (1988) “مدل های ترکیبی: استنتاج و کاربردها برای خوشه بندی”، مارسل دکر، (2) مک لاکلان (1992) “تحلیل متمایز و تشخیص الگوی آماری”، ویلی است. (3) مک لاکلان و کریشنان (1997) “الگوریتم EM و الحاقات” ویلی و (4) مک لاکلان و پیل (2000) “مدل های مخلوط محدود” ویلی. این چهار کتاب همگی به مشکلات جالب در تشخیص الگو و خوشه بندی مربوط می شوند. مدل‌های مخلوط و الگوریتم EM ابزارهایی هستند که برای حل مشکلات در خوشه‌بندی و تشخیص الگو استفاده می‌شوند.
مک لاکلان در هر یک از کتاب های خود توانایی شفاف، معتبر، علمی و کامل را نشان داده است. او پوشش گسترده ای از هر موضوع را با ارجاعات دقیق ارائه می دهد. این کتاب نیز از این قاعده مستثنی نیست. همانطور که او در مقدمه اشاره کرد، ادبیات مربوط به مدل های مخلوط از زمان ظهور تک نگاری او در سال 1988 با ایجاد یک متن به روز شده بسیار مناسب، به شدت گسترش یافته است.
تقریباً 40٪ از 800 مرجع در متن از سال 1995 ظاهر شده است. پیشرفت های اخیر که در متن پوشش داده شده است شامل مشکلات شناسایی با مدل های مخلوط، تجزیه و تحلیل (برازش مدل های مخلوط) برای مجموعه داده های واقعی با استفاده از الگوریتم EM و پسوندهای آن، ویژگی ها است. برآوردگرهای حداکثر احتمال، کاربرد نظریه مجانبی، استفاده از روش‌های راه‌انداز برای ارزیابی دقت تخمین‌ها، پیاده‌سازی رویکردهای بیزی از طریق روش‌های مونت کارلو زنجیره مارکوف و استفاده از مدل‌های ترکیبی سلسله مراتبی از متخصصان برای رگرسیون غیرخطی به عنوان رقبای MARS و الگوریتم های سبد خرید
این یک کتاب عالی است. فصل 1 یک نمای کلی خوب از موضوع را با یک بررسی تاریخی کامل ارائه می دهد که به خوبی در بخش 1.18 ارائه شده است. علاوه بر این واقعیت که تمام پیشرفت های اخیر را که می توان به آن فکر کرد را پوشش می دهد. این کتاب همچنین به پیاده سازی سریع الگوریتم EM برای داده کاوی و سایر رویکردها برای اصلاح الگوریتم EM برای مدیریت مجموعه داده های بزرگ می پردازد. همچنین تعداد زیادی از مشکلات واقعی جالب وجود دارد که با جزئیات کار شده است. این مشکلات از بسیاری از رشته ها، از جمله مشکلات پزشکی جالب مربوط به دیابت و هموفیلی، تجزیه و تحلیل داده های ممنوعیت آزمایش هسته ای، پردازش تصویر و تجزیه و تحلیل بقای ریسک رقابتی ناشی می شود. همچنین برخی از جنبه های جالب مدل های مخلوط نرمال چند متغیره و کاربردهای آنها را پوشش می دهد.
In each of his books McLachlan has shown an ability to be clear, authoritative, scholarly and thorough. He provides broad coverage of each topic with detailed references. This book is no exception. As he point out in the preface, the literature on mixture models has expanded tremendously since the appearance of his 1988 monograph with Kaye Basford making an updated text very appropriate.
Almost 40% of the 800 references in the text have appeared since 1995. The recent advances covered in the text include identifiability problems with mixture models, the analysis (fitting of mixture models) for real data sets using the EM algorithm and its extensions, properties of maximum likelihood estimators, applicability of asymptotic theory, use of bootstrap methods to assess accuracy of estimates, implimentation of Bayesian approaches through Markov chain Monte Carlo methods and the use of hierarchical mixtures-of-expert models for nonlinear regression as competitors to the MARS and CART algorithms.
This is a great book. Chapter 1 provides a nice overview of the subject with a thorough historical treatment, nicely presented in Section 1.18. In addition to the fact that it covers all the recent advances one can think of. The book also deals with fast implementations of the EM algorithm for data mining and other approaches to modifying the EM algorithm to handle large data sets. There is also a wealth of interesting real problems worked out in detail. These problems come from many disciplines, including interesting medical problems related to diabetes and hemophilia, nuclear test ban data analysis, image processing and competing risk survival analysis. It also covers some interesting aspects of multivariate normal mixture models and their applications.
دانلود کتاب «مدل های مخلوط محدود»
