دانلود کتاب The EM Algorithm and Extensions

ترجمه فارسی توضیحات (ترجمه ماشینی)

الگوریتم EM و برنامه های افزودنی

اولین گزارش یکپارچه از تئوری، روش‌شناسی و کاربردهای الگوریتم EM و توسعه‌های آن از زمان آغاز به کار آن در سال 1977، الگوریتم انتظار-بیشینه‌سازی (EM) موضوع بررسی‌های شدید، ده‌ها کاربرد، توسعه‌های متعدد و هزاران مورد بوده است. انتشارات الگوریتم و الحاقات آن اکنون ابزارهای استانداردی هستند که تقریباً در هر زمینه ای که از روش های آماری استفاده می شود برای مشکلات داده های ناقص استفاده می شود. با این حال، تا کنون، هیچ منبع واحدی درمان کامل و یکپارچه ای از موضوع ارائه نکرده است. الگوریتم EM و برنامه های افزودنی فرمول بندی الگوریتم EM را توصیف می کند، روش شناسی آن را به تفصیل شرح می دهد، پیاده سازی آن را مورد بحث قرار می دهد، و کاربردها را در بسیاری از زمینه های آماری نشان می دهد. جفری مک‌لاکلان و تریامباکام کریشنان با استفاده از مثال‌های متعدد، کاربردها را هم در موقعیت‌های داده‌ای ناقص – که در آن داده‌ها گم شده‌اند، توزیع‌ها کوتاه شده‌اند، یا مشاهدات سانسور شده یا گروه‌بندی شده‌اند – و هم در موقعیت‌های متنوعی که ناقص بودن در آن‌ها نه طبیعی و نه آشکار است، بررسی می‌کنند. آنها به کاستی‌های الگوریتم اشاره می‌کنند و توضیح می‌دهند که چگونه در پسوندهای مختلف به این موارد پرداخته می‌شود. زمینه‌های کاربردی مورد بحث عبارتند از: * رگرسیون * تصویربرداری پزشکی * تجزیه و تحلیل داده‌های طبقه‌بندی * تجزیه و تحلیل مخلوط محدود * تجزیه و تحلیل عاملی * مدل‌سازی آماری قوی * تخمین واریانس-مولفه‌ها * بقا تجزیه و تحلیل * طرح‌های اندازه‌گیری مکرر برای نظریه‌پردازان، پزشکان و دانشجویان فارغ‌التحصیل در آمار و همچنین محققان در علوم اجتماعی و فیزیکی، الگوریتم EM و برنامه‌های افزودنی دریچه‌ای را به روی پتانسیل فوق‌العاده این ابزار آماری همه‌کاره قابل‌توجهی باز می‌کند.

The EM Algorithm and Extensions

The first unified account of the theory, methodology, and applications of the EM algorithm and its extensionsSince its inception in 1977, the Expectation-Maximization (EM) algorithm has been the subject of intense scrutiny, dozens of applications, numerous extensions, and thousands of publications. The algorithm and its extensions are now standard tools applied to incomplete data problems in virtually every field in which statistical methods are used. Until now, however, no single source offered a complete and unified treatment of the subject.The EM Algorithm and Extensions describes the formulation of the EM algorithm, details its methodology, discusses its implementation, and illustrates applications in many statistical contexts. Employing numerous examples, Geoffrey McLachlan and Thriyambakam Krishnan examine applications both in evidently incomplete data situations-where data are missing, distributions are truncated, or observations are censored or grouped-and in a broad variety of situations in which incompleteness is neither natural nor evident. They point out the algorithm’s shortcomings and explain how these are addressed in the various extensions.Areas of application discussed include: * Regression * Medical imaging * Categorical data analysis * Finite mixture analysis * Factor analysis * Robust statistical modeling * Variance-components estimation * Survival analysis * Repeated-measures designsFor theoreticians, practitioners, and graduate students in statistics as well as researchers in the social and physical sciences, The EM Algorithm and Extensions opens the door to the tremendous potential of this remarkably versatilestatistical tool.