Markov chain Monte Carlo
Les méthodes MCMC sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner.
Page(s) en rapport avec ce sujet :
- Markov chain Monte Carlo (MCMC) methods (which include random walk Monte Carlo methods), are a class of algorithms for sampling from probability... (source : en.wikipedia)
- ... Markov Chain Monte Carlo Method and Its Application by... Markov Chain Monte Carlo for Statistical Inference by J.... (source : ens-lyon)
- These notes provide an introduction to Markov chain Monte Carlo methods... Markov chain Monte Carlo (MCMC) methods have had a profound influence on... (source : csss.washington)
Les méthodes MCMC (pour Markov chain Monte Carlo) sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner.
Certaines méthodes utilisent des marches aléatoires sur les chaînes de Markov (Algorithme de Metropolis–Hastings (en) , Échantillonnage de Gibbs (en) ), tandis que d'autres algorithmes, plus complexes, introduisent des contraintes sur les parcours pour essayer d'accélérer la convergence (Monte Carlo Hybride, Surrelaxation successive)
Ces méthodes sont surtout appliquées dans le cadre de l'inférence bayésienne.
Voir aussi
D'autres échantillonnages de distribution
Bibliographie
(en) Christophe Andrieu, An Introduction to MCMC for Machine Learning, Kluwer Academic Publishers, 2003
Recherche sur Amazon (livres) : |
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 10/03/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.