Avis des lecteurs
Résumé:Les critiques du livre sur les techniques de Monte Carlo par chaîne de Markov (MCMC) reflètent un mélange d'opinions. Certains utilisateurs louent le livre pour sa clarté, ses explications intuitives et sa couverture complète des méthodes MCMC, tandis que d'autres le critiquent pour la qualité médiocre de son écriture, son manque d'originalité et le fait qu'il ne soit pas adapté aux débutants dans le domaine.
Avantages:⬤ Explications claires et intuitives des méthodes MCMC.
⬤ Fournit de nombreux exemples et exercices de programmation qui facilitent l'auto-apprentissage.
⬤ Couverture complète de sujets essentiels tels que l'échantillonnage de Gibbs et les algorithmes de Metropolis-Hastings.
⬤ Recommandé pour ceux qui sont familiers avec les statistiques bayésiennes et qui cherchent à approfondir leur compréhension.
⬤ La qualité de l'écriture et de l'édition laisse à désirer, ce qui rend la lecture difficile.
⬤ Certains contenus sont considérés comme non originaux, étant repris d'autres textes sans attribution appropriée.
⬤ Ne convient pas comme première introduction au MCMC, nécessitant des connaissances préalables en la matière.
⬤ Manque de conseils pratiques sur l'application des théories discutées.
(basé sur 7 avis de lecteurs)
Titre original :
Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, Second Edition
Contenu du livre :
Bien qu'il y ait eu peu de contributions théoriques sur les méthodes de Monte Carlo par chaîne de Markov (MCMC) au cours de la dernière décennie, la compréhension actuelle et l'application de MCMC à la résolution de problèmes d'inférence ont progressé à pas de géant. Intégrant les changements théoriques et mettant en évidence de nouvelles applications, Markov Chain Monte Carlo : Stochastic Simulation for Bayesian Inference, Second Edition présente une introduction concise, accessible et complète aux méthodes de cette précieuse technique de simulation. La deuxième édition comprend l'accès à un site Internet qui fournit le code, écrit en R et WinBUGS, utilisé dans un grand nombre d'exemples et d'exercices existants et nouveaux. Plus important encore, la nature auto-explicative des codes permettra de modifier les entrées des codes et des variations dans de nombreuses directions seront disponibles pour une exploration plus approfondie.
Principaux changements par rapport à l'édition précédente :
- Plus d'exemples avec une discussion des détails de calcul dans les chapitres sur l'échantillonnage de Gibbs et les algorithmes de Metropolis-Hastings.
- Développements récents en MCMC, y compris le saut réversible, l'échantillonnage par tranche, l'échantillonnage par pont, l'échantillonnage par chemin, l'essai multiple et le rejet différé.
- Discussion des calculs en utilisant à la fois R et WinBUGS.
- Exercices supplémentaires et solutions sélectionnées dans le texte, avec tous les ensembles de données et les logiciels disponibles pour le téléchargement sur le Web.
- Des sections sur les modèles spatiaux et l'adéquation du modèle.
Les unités de texte autonomes rendent le MCMC accessible aux scientifiques d'autres disciplines ainsi qu'aux statisticiens. Le livre intéressera tous ceux qui travaillent avec les techniques MCMC, en particulier les chercheurs et les statisticiens diplômés, les biostatisticiens et les scientifiques qui traitent des données et formulent des modèles. Le livre a été considérablement renforcé en tant que première lecture du matériel sur le MCMC et, par conséquent, en tant que manuel pour les cours de calcul bayésien moderne et d'inférence bayésienne.
Autres informations sur le livre :
| ISBN : | 9781584885870 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
| Année de publication : | 2006 |
| Nombre de pages : | 342 |
Achat:
Actuellement disponible, en stock.
