Bayesowska logiczna analiza danych dla nauk fizycznych: Podejście porównawcze ze wsparciem Mathematica(r)

Opinie czytelników

Książka stanowi kompleksowe wprowadzenie do wnioskowania bayesowskiego i analizy danych, szczególnie dla osób zajmujących się naukami fizycznymi. Jest chwalona za przejrzystość i praktyczne przykłady, szczególnie dla użytkowników zaznajomionych z programem Mathematica. Książka jest jednak uważana za nieodpowiednią dla początkujących ze względu na jej zależność od oprogramowania matematycznego i założenie wcześniejszej wiedzy ze statystyki.

Jasne i zwięzłe wyjaśnienia, praktyczne zastosowanie koncepcji bayesowskich, odpowiednie dla fizyków i analityków danych, doskonałe wprowadzenie do metod Monte Carlo, istotny wgląd w statystykę bayesowską.

Silnie uzależniona od Mathematica, trudna dla początkujących bez wcześniejszego doświadczenia z oprogramowaniem, płytkie omówienie metod częstościowych, niekompletne sekcje na niektóre tematy, zakłada wysoki poziom wcześniejszej wiedzy.

(na podstawie 8 opinii czytelników)

Oryginalny tytuł:

Bayesian Logical Data Analysis for the Physical Sciences: A Comparative Approach with Mathematica(r) Support

Zawartość książki:

Wnioskowanie bayesowskie zapewnia proste i ujednolicone podejście do analizy danych, umożliwiając eksperymentatorom przypisywanie prawdopodobieństw konkurującym hipotezom na podstawie aktualnego stanu wiedzy. Uwzględniając odpowiednie wcześniejsze informacje, może czasami poprawić oszacowania parametrów modelu o wiele rzędów wielkości.

Niniejsza książka zawiera jasne wyjaśnienie podstawowych pojęć wraz z wieloma praktycznymi przykładami i zestawami problemów. Omówiono w niej również implementację, w tym wprowadzenie do integracji Monte-Carlo w łańcuchu Markowa oraz liniowe i nieliniowe dopasowanie modeli. Szczególnie obszerne omówienie analizy widmowej (wykrywanie i pomiar sygnałów okresowych) obejmuje samodzielne wprowadzenie do metod Fouriera i dyskretnego Fouriera.

Istnieje rozdział poświęcony wnioskowaniu bayesowskiemu z próbkowaniem Poissona, a trzy rozdziały poświęcone metodom częstościowym pomagają wypełnić lukę między podejściem częstościowym i bayesowskim. Pomocnicze notatniki Mathematica(R) z rozwiązaniami wybranych problemów, dodatkowe przykłady oraz samouczek Mathematica są dostępne na stronie www.cambridge.org/9780521150125.