Angebote zu "Carlo" (6 Treffer)

Kategorien

Shops

Quantum Monte Carlo Approaches for Correlated S...
48,99 € *
ggf. zzgl. Versand

Over the past several decades, computational approaches to studying strongly-interacting systems have become increasingly varied and sophisticated. This book provides a comprehensive introduction to state-of-the-art quantum Monte Carlo techniques relevant for applications in correlated systems. Providing a clear overview of variational wave functions, and featuring a detailed presentation of stochastic samplings including Markov chains and Langevin dynamics, which are developed into a discussion of Monte Carlo methods. The variational technique is described, from foundations to a detailed description of its algorithms. Further topics discussed include optimisation techniques, real-time dynamics and projection methods, including Green´s function, reptation and auxiliary-field Monte Carlo, from basic definitions to advanced algorithms for efficient codes, and the book concludes with recent developments on the continuum space. Quantum Monte Carlo Approaches for Correlated Systems provides an extensive reference for students and researchers working in condensed matter theory or those interested in advanced numerical methods for electronic simulation.

Anbieter: buecher.de
Stand: 23.05.2019
Zum Angebot
Deep Learning. Das umfassende Handbuch
80,00 € *
ggf. zzgl. Versand

Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Anbieter: buecher.de
Stand: 23.05.2019
Zum Angebot
Computer Age Statistical Inference
44,99 € *
ggf. zzgl. Versand

The twenty-first century has seen a breathtaking expansion of statistical methodology, both in scope and in influence. ´Big data´, ´data science´, and ´machine learning´ have become familiar terms in the news, as statistical methods are brought to bear upon the enormous data sets of modern science and commerce. How did we get here? And where are we going? This book takes us on an exhilarating journey through the revolution in data analysis following the introduction of electronic computation in the 1950s. Beginning with classical inferential theories - Bayesian, frequentist, Fisherian - individual chapters take up a series of influential topics: survival analysis, logistic regression, empirical Bayes, the jackknife and bootstrap, random forests, neural networks, Markov chain Monte Carlo, inference after model selection, and dozens more. The distinctly modern approach integrates methodology and algorithms with statistical inference. The book ends with speculation on the future direction of statistics and data science.

Anbieter: buecher.de
Stand: 23.05.2019
Zum Angebot
Information Theory, Inference and Learning Algo...
49,99 € *
ggf. zzgl. Versand

Information theory and inference, taught together in this exciting textbook, lie at the heart of many important areas of modern technology - communication, signal processing, data mining, machine learning, pattern recognition, computational neuroscience, bioinformatics and cryptography. The book introduces theory in tandem with applications. Information theory is taught alongside practical communication systems such as arithmetic coding for data compression and sparse-graph codes for error-correction. Inference techniques, including message-passing algorithms, Monte Carlo methods and variational approximations, are developed alongside applications to clustering, convolutional codes, independent component analysis, and neural networks. Uniquely, the book covers state-of-the-art error-correcting codes, including low-density-parity-check codes, turbo codes, and digital fountain codes - the twenty-first-century standards for satellite communications, disk drives, and data broadcast. Richly illustrated, filled with worked examples and over 400 exercises, some with detailed solutions, the book is ideal for self-learning, and for undergraduate or graduate courses. It also provides an unparalleled entry point for professionals in areas as diverse as computational biology, financial engineering and machine learning.

Anbieter: buecher.de
Stand: 23.05.2019
Zum Angebot
Stability of Markov Chain Monte Carlo Methods
46,99 € *
ggf. zzgl. Versand

This book presents modern techniques for the analysis of Markov chain Monte Carlo (MCMC) methods. A central focus is the study of the number of iteration of MCMC and the relation to some indices, such as the number of observation, or the number of dimension of the parameter space. The approach in this book is based on the theory of convergence of probability measures for two kinds of randomness: observation randomness and simulation randomness. This method provides in particular the optimal bounds for the random walk Metropolis algorithm and useful asymptotic information on the data augmentation algorithm. Applications are given to the Bayesian mixture model, the cumulative probit model, and to some other categorical models. This approach yields new subjects, such as the degeneracy problem and optimal rate problem of MCMC. Containing asymptotic results of MCMC under a Bayesian statistical point of view, this volume will be useful to practical and theoretical researchers and to graduate students in the field of statistical computing.

Anbieter: buecher.de
Stand: 23.05.2019
Zum Angebot
Deep Learning. Das umfassende Handbuch (eBook, ...
69,99 € *
ggf. zzgl. Versand

Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Anbieter: buecher.de
Stand: 23.05.2019
Zum Angebot