Ocena:
Książka jest kompleksowym przewodnikiem po modelowaniu symulacji statystycznych przy użyciu Pythona, obejmującym podstawowe pojęcia, różne metody symulacji i praktyczne zastosowania. Kładzie nacisk na praktyczne podejście z przykładami kodowania, dzięki czemu jest przydatnym źródłem informacji dla naukowców zajmujących się danymi, inżynierów i praktyków zainteresowanych symulacjami obliczeniowymi.
Zalety:⬤ Unikalny i szeroki przegląd modelowania symulacyjnego
⬤ szczegółowe wyjaśnienia symulacji Monte Carlo i łańcucha Markowa
⬤ praktyczne ćwiczenia kodowania w Pythonie
⬤ dobre podstawy symulacji numerycznych
⬤ pomocne w różnych dziedzinach inżynierii
⬤ silne referencje autora.
Brak omówienia pakietu Simpy do symulacji zdarzeń dyskretnych, który jest powszechnym narzędziem wśród naukowców zajmujących się danymi; zakłada podstawową znajomość Pythona, co może stanowić barierę dla zupełnie początkujących.
(na podstawie 5 opinii czytelników)
Hands-On Simulation Modeling with Python - Second Edition: Develop simulation models for improved efficiency and precision in the decision-making proc
Naucz się konstruować najnowocześniejsze modele symulacyjne za pomocą Pythona i popraw swoje umiejętności modelowania symulacyjnego, a także z łatwością twórz i analizuj cyfrowe prototypy modeli fizycznych.
Kluczowe cechy:
⬤ Zrozumienie różnych statystycznych i fizycznych symulacji w celu ulepszenia systemów przy użyciu Pythona.
⬤ Naucz się tworzyć numeryczne prototypy rzeczywistych modeli na praktycznych przykładach.
⬤ Ocena wydajności i wyników wyjściowych w oparciu o to, jak prototyp działałby w prawdziwym świecie.
Opis książki:
Modelowanie symulacyjne to metoda eksploracji, której celem jest naśladowanie systemów fizycznych w środowisku wirtualnym i pobieranie z niego użytecznych wniosków statystycznych. Możliwość analizowania modelu w trakcie jego działania odróżnia modelowanie symulacyjne od innych metod stosowanych w konwencjonalnych analizach. Ta książka jest kompleksowym i praktycznym przewodnikiem do zrozumienia różnych obliczeniowych symulacji statystycznych przy użyciu Pythona.
Książka rozpoczyna się od pomocy w zapoznaniu się z podstawowymi koncepcjami modelowania symulacyjnego, które umożliwią zrozumienie różnych metod i technik potrzebnych do zbadania złożonych tematów. Badacze danych pracujący z modelami symulacyjnymi będą mogli wykorzystać swoją wiedzę w pracy z tym praktycznym przewodnikiem. W miarę postępów będziesz zagłębiać się w algorytmy symulacji numerycznych, w tym przegląd odpowiednich aplikacji, za pomocą rzeczywistych przypadków użycia i praktycznych przykładów. Dowiesz się również, jak używać Pythona do tworzenia modeli symulacyjnych i jak korzystać z kilku pakietów Pythona. Wreszcie, zapoznasz się z różnymi algorytmami i koncepcjami symulacji numerycznych, takimi jak procesy decyzyjne Markowa, metody Monte Carlo i techniki bootstrappingu.
Pod koniec tej książki dowiesz się, jak konstruować i wdrażać własne modele symulacyjne, aby sprostać rzeczywistym wyzwaniom.
Czego się nauczysz:
⬤ Zapoznać się z koncepcją losowości i procesem generowania danych.
⬤ Zagłębić się w metody ponownego próbkowania.
⬤ Odkryć, jak pracować z symulacjami Monte Carlo.
⬤ Wykorzystanie symulacji do poprawy lub optymalizacji systemów.
⬤ Dowiedz się, jak przeprowadzać wydajne symulacje w celu analizy rzeczywistych systemów.
⬤ Zrozumieć, jak symulować losowe spacery za pomocą łańcuchów Markowa.
Dla kogo jest ta książka:
Ta książka jest przeznaczona dla naukowców zajmujących się danymi, inżynierów symulacji i każdego, kto jest już zaznajomiony z podstawowymi metodami obliczeniowymi i chce wdrożyć różne techniki symulacji, takie jak metody Monte-Carlo i symulacje statystyczne przy użyciu Pythona.
