Markov Chain Monte Carlo (MCMC)
Markov Chain Monte Carlo (MCMC) je rodina výpočetních algoritmů pro vzorkování ze složitých pravděpodobnostních rozdělení, nejčastěji z aposteriorních rozdělení, která vznikají v Bayesovské inferenci. Namísto analytického výpočtu aposteriorních rozdělení – což je u realistických modelů zřídka možné – MCMC konstruuje Markovův řetězec, jehož stacionárním rozdělením je cílové aposteriorní rozdělení, a z něj odebírá závislé vzorky, což umožňuje úplnou probabilistickou inferenci pro prakticky jakýkoli model.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Zdroje
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Brooks, S., Gelman, A., Jones, G. & Meng, X.-L. (Eds.). (2011). Handbook of Markov Chain Monte Carlo. CRC Press. ISBN: 978-1420079418
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/cs/bayesian/mcmc
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesovské průměrování modelůBayesovská statistika↔ compare
- Bayesovská regreseBayesovská statistika↔ compare
- Variační inferenceBayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →