আমি মনে করি আমি এমসিএমসির বিভিন্ন স্বাদ যেমন গিবস স্যাম্পলিং, মেট্রোপলিস হেস্টিংস ইত্যাদি সহ ষষ্ঠ ও এমসিসি উভয়েরই সাধারণ ধারণা পেয়েছি এই কাগজটি উভয় পদ্ধতির একটি দুর্দান্ত প্রদর্শন প্রদান করে।
আমার নিম্নলিখিত প্রশ্নগুলি রয়েছে:
আমি বুঝতে পারি যে এটি একটি বিস্তৃত প্রশ্ন, তবে যে কোনও অন্তর্দৃষ্টি প্রশংসিত হবে।
উত্তর:
একটি দীর্ঘ উত্তরের জন্য Blei, Kucukelbir এবং McAuliffe দেখতে এখানে । এই সংক্ষিপ্ত উত্তরটি এর থেকে ভারী আঁকবে।
অর্থ, যখন আমাদের গণনার সময় নির্ণয় করতে হয় এবং আমাদের অনুমানের যথার্থ মূল্য দিতে হয়, তখন এমসিসিসি জিতে যায়। আমরা sacrificing যে জন্য যুক্তিযুক্ততা-অথবা আমরা আপনার ডেটা সঙ্গেও কাজ করছি সহ্য করতে পারে যদি তাই হয় বৃহৎ আমরা আছে ট্রেড বন্ধ-ষষ্ঠ একটি প্রাকৃতিক পছন্দ করা।
বা উপরে বর্ণিত লেখক হিসাবে আরও স্পষ্টভাবে এবং পুঙ্খানুপুঙ্খভাবে বর্ণনা করেছেন:
সুতরাং, ভেরিয়াল ইনফেরেন্সটি বড় ডেটা সেট এবং দৃশ্যের সাথে উপযুক্ত যেখানে আমরা দ্রুত অনেকগুলি মডেল অন্বেষণ করতে চাই; এমসিএমসি ছোট ডেটা সেট এবং পরিস্থিতিগুলির জন্য উপযুক্ত যেখানে আমরা আনন্দের সাথে আরও সুনির্দিষ্ট নমুনাগুলির জন্য একটি ভারী গুণগত মূল্য প্রদান করি। উদাহরণস্বরূপ, আমরা এমসিসিএমিকে এমন একটি সেটিংয়ে ব্যবহার করতে পারি যেখানে আমরা একটি ছোট কিন্তু ব্যয়বহুল ডেটা সেট সংগ্রহের জন্য 20 বছর অতিবাহিত করেছি, যেখানে আমাদের আত্মবিশ্বাসী যে আমাদের মডেলটি উপযুক্ত, এবং যেখানে আমাদের সুনির্দিষ্ট ইনফারেন্সের প্রয়োজন। আমরা এক বিলিয়ন পাঠ্য নথিতে পাঠ্যের একটি সম্ভাব্য মডেলটি ফিটিং করার সময় এবং যেখানে ব্যবহারকারীদের বিশাল জনগোষ্ঠীর জন্য অনুসন্ধান ফলাফলগুলি পরিবেশন করতে অনুজ্ঞাগুলি ব্যবহার করা হবে তার ক্ষেত্রে আমরা বৈকল্পিক সূচনা ব্যবহার করতে পারি। এই দৃশ্যে, অনুমানের স্কেল এবং গতি বাড়ানোর জন্য আমরা বিতরণ করা গণনা এবং স্টোকাস্টিক অপ্টিমাইজেশন ব্যবহার করতে পারি এবং আমরা সহজেই ডেটাগুলির বিভিন্ন মডেল অন্বেষণ করতে পারি।