دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: László Györfi, Michael Kohler, Adam Krzyzak, Harro Walk سری: Springer Series in Statistics ISBN (شابک) : 9781441929983, 1441929983 ناشر: Springer New York سال نشر: 2010 تعداد صفحات: 664 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب A Distribution-free Theory of Nonparametric Regression به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب نظریه رگرسیون ناپارامتریک بدون توزیع نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب یک تجزیه و تحلیل عمیق سیستماتیک از رگرسیون ناپارامتریک با طراحی تصادفی ارائه می دهد. تقریباً تمام تخمینهای شناختهشده مانند تخمینهای میانگینگیری محلی کلاسیک شامل تخمینهای هسته، تقسیمبندی و نزدیکترین همسایه، تخمینهای حداقل مربعات با استفاده از خطوط، شبکههای عصبی و شبکههای تابع پایه شعاعی، تخمینهای حداقل مربعات جریمهشده، تخمینهای هسته چندجملهای محلی، و تخمینهای سری متعامد را پوشش میدهد. تاکید بر ویژگی های بدون توزیع تخمین ها است. اکثر نتایج سازگاری برای همه توزیعهای دادهها معتبر هستند. هر زمان که امکان استخراج نتایج بدون توزیع وجود نداشته باشد، همانطور که در مورد نرخ های همگرایی وجود دارد، تأکید بر نتایجی است که به محدودیت های کمتری در توزیع ها، نابرابری های بدون توزیع و انطباق نیاز دارند. نظریه ریاضی مربوطه به طور سیستماتیک توسعه یافته است و فقط به دانش پایه از نظریه احتمال نیاز دارد. این کتاب یک مرجع ارزشمند برای هر کسی که علاقه مند به رگرسیون ناپارامتریک است و منبعی غنی از بسیاری از تکنیک های ریاضی مفید است که به طور گسترده در ادبیات پراکنده شده است. به طور خاص، این کتاب خواننده را با نظریه فرآیند تجربی، مارتینگل ها و خواص تقریبی شبکه های عصبی آشنا می کند.
This book provides a systematic in-depth analysis of nonparametric regression with random design. It covers almost all known estimates such as classical local averaging estimates including kernel, partitioning and nearest neighbor estimates, least squares estimates using splines, neural networks and radial basis function networks, penalized least squares estimates, local polynomial kernel estimates, and orthogonal series estimates. The emphasis is on distribution-free properties of the estimates. Most consistency results are valid for all distributions of the data. Whenever it is not possible to derive distribution-free results, as in the case of the rates of convergence, the emphasis is on results which require as few constrains on distributions as possible, on distribution-free inequalities, and on adaptation. The relevant mathematical theory is systematically developed and requires only a basic knowledge of probability theory. The book will be a valuable reference for anyone interested in nonparametric regression and is a rich source of many useful mathematical techniques widely scattered in the literature. In particular, the book introduces the reader to empirical process theory, martingales and approximation properties of neural networks.