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: Basu. Ayanendranath, Basu. Srabashi سری: ISBN (شابک) : 9781315337432, 131535649X ناشر: Chapman and Hall;CRC سال نشر: 2016 تعداد صفحات: 401 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 18 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب A user's guide to business analytics 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 راهنمای کاربر برای تجزیه و تحلیل کسب و کار 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.
1. تجزیه و تحلیل چیست؟ -- 2. معرفی R : یک نرم افزار تجزیه و تحلیل -- 3. داده های گزارش -- 4. گرافیک آماری و تجزیه و تحلیل بصری -- 5. احتمال -- 6. متغیرهای تصادفی و توزیع احتمال -- 7. متغیرهای تصادفی پیوسته -- 8. استنتاج آماری -- 9. رگرسیون برای ساخت مدل پیش بینی -- 10. درخت تصمیم -- 11. داده کاوی و روش های چند متغیره -- 12. مدل سازی داده های سری زمانی برای پیش بینی.
1. What is analytics? -- 2. Introducing R : an analytics software -- 3. Reporting data -- 4. Statistical graphics and visual analytics -- 5. Probability -- 6. Random variables and probability distributions -- 7. Continuous random variables -- 8. Statistical inference -- 9. Regression for predictive model building -- 10. Decision trees -- 11. Data mining and multivariate methods -- 12. Modeling time series data for forecasting.
1. What is analytics? --
2. Introducing R : an analytics software --
3. Reporting data --
4. Statistical graphics and visual analytics --
5. Probability --
6. Random variables and probability distributions --
7. Continuous random variables --
8. Statistical inference --
9. Regression for predictive model building --
10. Decision trees --
11. Data mining and multivariate methods --
12. Modeling time series data for forecasting.