Dynamisk Bayesiansk Inferens
Dynamisk Bayesiansk inferens er et rammeværk til sekventiel Bayesiansk opdatering, efterhånden som nye observationer ankommer over tid. I stedet for at tilpasse en statisk model til et fast datasæt, sporer den, hvordan en posterior fordeling over latente tilstande eller parametre udvikler sig trin for trin, idet en prior kombineres med hver ny likelihood for at producere en opdateret posterior, der forplanter sig fremad gennem tiden.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+6 more
Kilder
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Murphy, K. P. (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. Ph.D. Dissertation, University of California, Berkeley. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Dynamic Bayesian Inference. ScholarGate. https://scholargate.app/da/bayesian/dynamic-bayesian-inference
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.
- Bayesiansk regressionBayesiansk↔ compare
- Dynamisk Bayesiansk NetværkBayesiansk↔ compare
- Hierarkisk Bayesiansk InferensBayesiansk↔ compare
- Kalman-filterBayesiansk↔ compare
- Partikelfilter (sekventiel Monte Carlo)Bayesiansk↔ compare
- Sekventiel Monte CarloBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →