دانلود کتاب Finite Mixture Models

ترجمه فارسی توضیحات (ترجمه ماشینی)

مدل های مخلوط محدود

گزارشی به روز و جامع از مسائل اصلی در مدل سازی مخلوط محدود این جلد گزارشی به روز از تئوری و کاربردهای مدل سازی از طریق توزیع های مخلوط محدود ارائه می دهد. این کتاب با تأکید بر کاربردهای مدل‌های مخلوط در تحلیل جریان اصلی و سایر زمینه‌ها مانند تشخیص الگوی بدون نظارت، تشخیص گفتار و تصویربرداری پزشکی، فرمول‌بندی‌های رویکرد مخلوط محدود را تشریح می‌کند، روش‌شناسی آن را جزئیات می‌دهد، جنبه‌های اجرای آن را مورد بحث قرار می‌دهد. و کاربرد آن را در بسیاری از زمینه‌های آماری رایج نشان می‌دهد. مسائل اصلی مورد بحث در این کتاب شامل مشکلات شناسایی، برازش واقعی مخلوط‌های محدود با استفاده از الگوریتم EM، ویژگی‌های برآوردگرهای حداکثر احتمال به‌دست‌آمده، ارزیابی تعداد اجزای مورد استفاده است. در ترکیب، و کاربرد نظریه مجانبی در ارائه مبنایی برای راه حل برخی از این مسائل. نویسنده همچنین در نظر می‌گیرد که چگونه الگوریتم EM را می‌توان برای برازش مدل‌های مخلوط با پایگاه‌های داده بسیار بزرگ، مانند برنامه‌های داده کاوی، مقیاس‌بندی کرد. این راهنمای جامع و کاربردی: * بیش از 800 مرجع ارائه می دهد – 40٪ از سال 1995 منتشر شده است * شامل پیوستی است که نرم افزار مخلوط موجود را لیست می کند * ادبیات آماری را با ادبیات یادگیری ماشین و تشخیص الگو پیوند می دهد * حاوی بیش از 100 نمودار مفید، نمودارها و جداول Finite Mixture مدل‌ها منبع مهمی برای آماردانان کاربردی و نظری و همچنین برای محققان در بسیاری از زمینه‌هایی است که در آن‌ها می‌توان از مدل‌های مخلوط محدود برای تجزیه و تحلیل داده‌ها استفاده کرد.

Finite Mixture Models

An up-to-date, comprehensive account of major issues in finite mixture modelingThis volume provides an up-to-date account of the theory and applications of modeling via finite mixture distributions. With an emphasis on the applications of mixture models in both mainstream analysis and other areas such as unsupervised pattern recognition, speech recognition, and medical imaging, the book describes the formulations of the finite mixture approach, details its methodology, discusses aspects of its implementation, and illustrates its application in many common statistical contexts.Major issues discussed in this book include identifiability problems, actual fitting of finite mixtures through use of the EM algorithm, properties of the maximum likelihood estimators so obtained, assessment of the number of components to be used in the mixture, and the applicability of asymptotic theory in providing a basis for the solutions to some of these problems. The author also considers how the EM algorithm can be scaled to handle the fitting of mixture models to very large databases, as in data mining applications. This comprehensive, practical guide:* Provides more than 800 references-40% published since 1995* Includes an appendix listing available mixture software* Links statistical literature with machine learning and pattern recognition literature* Contains more than 100 helpful graphs, charts, and tablesFinite Mixture Models is an important resource for both applied and theoretical statisticians as well as for researchers in the many areas in which finite mixture models can be used to analyze data.