منابع
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
بروکس، اس.، گلمن، ا.، روش های عمومی برای نظارت بر همگرایی شبیه سازی های تکراری ، 1998.
Chen, A., Chan, D., Koehler, J., Wang, Y., Sun, Y., Jin, Y., Perry, M., Google, Inc. تصحیح تعصب برای جستجوی پولی در مدلسازی ترکیبی رسانه , 2018 .
کلارک، مایکل. مبانی بیزی: مقدمه ای مفهومی با کاربرد در R و Stan . دانشگاه میشیگان. (2015-09-11).
گلمن، آ.، روبین، دی، استنتاج از شبیه سازی تکراری با استفاده از توالی های متعدد ، 1992.
هرنان MA، رابینز جی ام (2020). استنتاج علی: چه می شود اگر . بوکا راتون: چپمن و هال/CRC.
Jin, Y., Wang, Y., Sun, Y., Chan, D., Koehler, J., Google Inc. Methods Bayesian for Media Mix Modeling with Carryover and Shape Effects 2017.
Ng, E., Wang, Z., & Dai, A. مدل ضریب متغیر زمان بیزی با کاربردها در مدلسازی ترکیبی بازاریابی ، 2021.
مروارید، یهودیه علیت. انتشارات دانشگاه کمبریج (2009-09-14) ISBN 9781139643986 .
Spline (ریاضیات) ، ویکی پدیا.
Sun, Y., Wang, Y., Jin, Y., Chan, D., Koehler, J., Google Inc. مدلسازی ترکیبی رسانه سلسله مراتبی بیزی در سطح جغرافیایی 2017.
احتمال جریان تنسور .
Wang, Y., Jin, Y., Sun, Y., Chan, D., Koehler, J., Google Inc. رویکرد بیزی سلسله مراتبی برای بهبود مدل‌های ترکیبی رسانه با استفاده از داده‌های دسته ، ۲۰۱۷.
Zhang, Y., Wurm, M., Li, E., Wakim, A., Kelly, J., Price, B., Liu, Y., Google Inc. کالیبراسیون مدل مخلوط رسانه با Bayesian Priors 2023.
Zhang, Y., Wurm, M., Wakim, A., Li, E., Liu, Y., Google Inc. مدل ترکیبی رسانه سلسله مراتبی بیزی که شامل داده‌های دسترسی و فرکانس ۲۰۲۳ است.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2024-10-26 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2024-10-26 بهوقت ساعت هماهنگ جهانی."],[[["This compilation of resources focuses on Bayesian methods and their applications, particularly in media mix modeling (MMM) for marketing analysis."],["Several resources explore the use of Bayesian hierarchical models, incorporating factors like carryover effects, shape effects, geographic variations, and category data to enhance MMM accuracy."],["The list also includes foundational materials on Bayesian statistics, causal inference, and convergence diagnostics for iterative simulations, providing a comprehensive understanding of the underlying concepts."],["Resources from Google researchers showcase cutting-edge advancements in MMM, including bias correction for paid search, the integration of reach and frequency data, and the utilization of Bayesian priors for model calibration."],["This collection serves as a valuable guide for researchers and practitioners seeking to leverage Bayesian techniques for advanced marketing measurement and decision-making."]]],["The documents cover Bayesian methods and their application in media mix modeling (MMM). Key topics include: bias-variance tradeoff; convergence monitoring for iterative simulations; causal inference; Bayesian hierarchical modeling to improve MMM with category data, reach, frequency, carryover, and shape effects; bias correction for paid search in MMM; and calibration of MMM using Bayesian priors. Splines and TensorFlow Probability are also mentioned, with general bayesian concepts. The work was carried out by researchers in different academic institutions or at google.\n"]]
