קובצי עזר
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
Brooks, S., .Gelman, A. שיטות כלליות למעקב אחרי ההתכנסות של
איטרטיבי
הדמיות,
1998.
Chen, A., צ'אן, ד., Koehler, J., .Wang, Y, שמש, Y, Jin, Y., Perry, M.,
Google, Inc. תיקון הטיה לחיפוש בתשלום במיקס מדיה
בניית מודלים,
2018.
קלרק, מייקל. יסודות בייסיאניים: מבוא רעיוני ביישום
ב-R ו
סטן.
האוניברסיטה של מישיגן. (11.09.2015).
.Gelman, A. רובין, ד., הסקת מסקנות מסימולציה איטרטיבית באמצעות שימוש במספרים
רצפים,
1992.
Hern SAR, Robins JM (2020). מסקנות סיבתיות: מה
אם. בוקה
Raton: צ'פמן & הול/CRC.
Jin, Y., .Wang, Y, שמש, Y, צ'אן, ד., Koehler, J., Google Inc. Bayesian
שיטות לבניית מודלים של תמהיל מדיה עם נשיאה וצורה
אפקטים
2017.
Ng, E., וואנג, זי, & Dai, A. מודל מקדם שינוי זמן בייסיאני עם
אפליקציות ליצירת מודלים של תמהיל שיווקי,
2021.
פנינה, יהודה. סיבתיות. העיתונות של אוניברסיטת קיימברידג'. (2009-09-14) ISBN
9781139643986.
Spline (מתמטיקה),
ויקיפדיה.
שמש, Y, .Wang, Y, Jin, Y., צ'אן, ד., Koehler, J., Google Inc. ברמת מיקום גיאוגרפי
מיקס מדיה היררכית בייסיאנית
בניית מודלים
2017.
הסתברות ל-Tensorflow.
.Wang, Y, Jin, Y., שמש, Y, צ'אן, ד., Koehler, J., Google Inc. א
גישה היררכית בייסיאנית לשיפור מודלים של מיקס מדיה באמצעות קטגוריה
נתונים,
2017.
Zang, Y., .Wurm, M Li, E., ואקים, א., Kelly, J., Price, B., Liu, Y.,
Google Inc. כיול מודלים של מיקס מדיה עם בייסיאן
קודמות
2023.
Zang, Y., .Wurm, M ואקים, א., Li, E., Liu, Y., Google Inc. Bayesian
מודל תמהיל מדיה היררכי שכולל שילוב של היקף חשיפה ותדירות
נתונים
2023.
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2024-09-05 (שעון UTC).
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2024-09-05 (שעון UTC)."],[[["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"]]
