Saya ingin mempelajari cara kerja Gibbs Sampling dan saya mencari dasar yang bagus untuk makalah menengah. Saya memiliki latar belakang ilmu komputer dan pengetahuan statistik dasar.
Adakah yang sudah membaca materi bagus? dimana kamu belajar
Terima kasih
references
gibbs
fabrizioM
sumber
sumber
Jawaban:
Saya akan mulai dengan:
Casella, George; George, Edward I. (1992). " Menjelaskan sampler Gibbs ". The American Statistician 46 (3): 167–174. ( PDF GRATIS )
Ahli Statistik Amerika seringkali merupakan sumber yang baik untuk artikel pengantar pendek (ish) yang tidak mengasumsikan pengetahuan sebelumnya tentang topik tersebut, meskipun mereka menganggap Anda memiliki latar belakang dalam probabilitas dan statistik yang secara wajar dapat diharapkan dari seorang anggota Amerika. Asosiasi Statistik .
sumber
Salah satu artikel online yang benar-benar membantu saya memahami Gibbs Sampling adalah estimasi Parameter untuk analisis teks oleh Gregor Heinrich. Ini bukan tutorial sampel Gibbs umum tetapi membahasnya dalam hal alokasi dirichlet laten, model Bayesian yang cukup populer untuk pemodelan dokumen. Ini masuk ke matematika secara rinci adil.
Salah satu yang masuk ke detail matematis yang lebih lengkap adalah Gibbs Sampling untuk yang belum tahu . Dan maksud saya lengkap karena menganggap Anda tahu beberapa kalkulus multivarian dan kemudian menjabarkan setiap langkah dari titik itu. Jadi, sementara ada banyak matematika, tidak ada yang maju.
Saya berasumsi ini akan lebih berguna bagi Anda daripada sesuatu yang menghasilkan hasil yang lebih maju, seperti yang membuktikan mengapa sampling Gibbs menyatu dengan distribusi yang benar. Referensi yang saya tunjukkan tidak membuktikan ini.
sumber
Buku Monte Carlo Strategies in Scientific Computing adalah sumber yang bagus. Itu memang menangani hal-hal dengan cara yang ketat secara matematis, tetapi Anda dapat dengan mudah melewati bagian matematika yang tidak menarik minat Anda dan masih mendapatkan banyak saran praktis dari itu. Secara khusus, itu melakukan pekerjaan yang baik untuk mengikat sampel Metropolis-Hastings dan Gibbs, yang sangat penting. Dalam sebagian besar aplikasi, Anda harus menggambar dari distribusi posterior menggunakan sampling Gibbs, dan mengetahui bagaimana itu sesuai dengan logika Metropolis secara umum sangat membantu.
sumber