एस॰ ब्रूक्स, ए॰ गेलमन, के कनवर्जेंस की निगरानी के लिए सामान्य तरीके बार-बार सिम्युलेशन, 1998 में पब्लिश किया गया था.
ए॰ चेन, डैन चान, जे॰ कोहेलर, वाई॰ वांग, यू॰ सन, युन जिन, एम॰ पेरी, Google, Inc. मीडिया मिक्स में भुगतान की गई खोज के लिए पक्षपात सुधार मॉडलिंग, 2018.
क्लार्क, माइकल. बेज़ियन बेसिक्स: ऐप्लिकेशन के साथ एक सैद्धांतिक परिचय R में और स्टैन. यूनिवर्सिटी ऑफ़ मिशिगन. (11-09-2015).
ए॰ गेलमन, डी॰ रुबिन, एक से ज़्यादा ऐसेट का इस्तेमाल करके, बार-बार होने वाले सिम्युलेशन का अनुमान क्रम, 1992 में पब्लिश किया गया था.
हर्न एमए, रॉबिन्स जेएम (2020). कैसल का अनुमान: क्या अगर. बोका रैटन: चैपमैन और हॉल/सीआरसी.
युन जिन, वाई॰ वांग, यू॰ सन, डैन चान, जे॰ कोहेलर, Google Inc. Bayesian कैरीओवर और आकार के साथ मीडिया मिक्स मॉडलिंग के तरीके इफ़ेक्ट 2017.
ई॰ एनजी, ज़ाकर वांग, & ए॰ दाई, बेज़ियन समय में अलग-अलग समय में होने वाले गुणांक मॉडल के साथ मार्केटिंग मिक्स मॉडलिंग के ऐप्लिकेशन, 2021.
पर्ल, जूडिया. वजह. कैम्ब्रिज यूनिवर्सिटी प्रेस. (14-09-2009) ISBN 9781139643986.
स्प्लिन (गणित), विकिपीडिया.
यू॰ सन, वाई॰ वांग, युन जिन, डैन चान, जे॰ कोहेलर, Google Inc. भू-स्तरीय बेज़ियन हैरारकी मीडिया शैली के गानों का मिक्स मॉडलिंग 2017.
वाई॰ वांग, युन जिन, यू॰ सन, डैन चान, जे॰ कोहेलर, Google LLC A कैटगरी का इस्तेमाल करके मीडिया मिक्स मॉडल को बेहतर बनाने के लिए, हैरारकी बेज़ियन रणनीति डेटा, 2017.
वाई॰ शांग, एम॰ वर्म, ई॰ ली, अमन वकीम, जे॰ केली, बिलियन प्राइस, वाई॰ लू, Google Inc. बेज़ियन के साथ मीडिया मिक्स मॉडल कैलिब्रेशन इससे पहले की रिपोर्ट 2023.
वाई॰ शांग, एम॰ वर्म, अमन वकीम, ई॰ ली, वाई॰ लू, Google Inc. Bayesian पहुंच और फ़्रीक्वेंसी को शामिल करते हुए क्रम के हिसाब से मीडिया मिक्स मॉडल डेटा 2023.
संदर्भ
जब तक कुछ अलग से न बताया जाए, तब तक इस पेज की सामग्री को Creative Commons Attribution 4.0 License के तहत और कोड के नमूनों को Apache 2.0 License के तहत लाइसेंस मिला है. ज़्यादा जानकारी के लिए, Google Developers साइट नीतियां देखें. Oracle और/या इससे जुड़ी हुई कंपनियों का, Java एक रजिस्टर किया हुआ ट्रेडमार्क है.
आखिरी बार 2024-09-05 (UTC) को अपडेट किया गया.
[null,null,["आखिरी बार 2024-09-05 (UTC) को अपडेट किया गया."],[],["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"],null,[]]