Advanced Data Analysis from an Elementary Point of View

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Cosma Rohilla Shalizi  
سری:  
 
ناشر:  
سال نشر: 0 
تعداد صفحات: 586 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 25 مگابایت 

قیمت کتاب (تومان) : 49,000

پیتسبورگ، ایالات متحده آمریکا: دانشگاه کارنگی ملون. - 586 p.
صفحه نویسنده
\"تجزیه و تحلیل پیشرفته داده ها از دیدگاه ابتدایی\".
چکیده سخنرانی در مورد روش های تجزیه و تحلیل آماری ارائه شده به دانشجویان کارشناسی ارشد و کارشناسی توسط پروفسور. Cosmo Shalizi در دانشگاه Carnegie Mellon.
مشکلات جدی به راحتی و به طور طبیعی، با فراوانی مثال‌ها و اسکریپت‌های کوتاه در زبان محیط R مورد بحث قرار می‌گیرند. می‌تواند برای جایزه \"بهترین کتاب درسی در آمار کاربردی پیشرفته\" واجد شرایط باشد.< div class =\"bb-sep\">ارزیابی مدل: استنتاج آماری، پیش‌بینی و استنتاج علمی. خطاهای درون نمونه و خارج از نمونه، تعمیم و برازش بیش از حد، اعتبارسنجی متقابل؛ ارزیابی با شبیه سازی; بوت استرپ؛ جریمه اتصالات; بررسی مشخصات اشتباه
رگرسیون خطی بیشتر: واقعاً رگرسیون چیست؟ آنچه که رگرسیون خطی معمولی در واقع انجام می دهد. کاری که نمی تواند انجام دهد؛ پسوند
هموارسازی: هموارسازی هسته، از جمله رگرسیون چند جمله ای محلی. اسپلاین؛ مدل های افزودنی؛ تخمین چگالی هسته
مدل های خطی و افزودنی عمومی: رگرسیون لجستیک. مدل های خطی تعمیم یافته؛ مدل های افزودنی تعمیم یافته
متغیرهای پنهان و داده های ساخت یافته: اجزای اصلی. تحلیل عاملی و متغیرهای پنهان؛ مدل‌های خوشه/مخلوط پنهان؛ مدل های گرافیکی به طور کلی
علیت: مدل های علی گرافیکی; شناسایی اثرات علی از مشاهدات؛ برآورد اثرات علّی؛ کشف ساختار علی
داده های وابسته: مدل های مارکوف برای سری های زمانی بدون متغیرهای پنهان. مدل های پنهان مارکوف برای سری های زمانی با متغیرهای پنهان. داده های طولی، مکانی و شبکه ای

Pittsburgh,USA: Carnegie Mellon University. - 586 p.
Страничка автора
"Продвинутый анализ данных с элементарной точки зрения".
Конспект лекций по методам статистического анализа, читаемых аспирантам и студентам старших курсов проф. Космо Шализи в университете Карнеги-Меллон.
Серьезные проблемы обсуждаются легко и непринужденно, с обилием примеров и коротких скриптов на языке среды R. Мог бы претендовать на приз "Лучший учебник по углубленному курсу прикладной статистики". Model evaluation: statistical inference, prediction, and scientific inference; in-sample and out-of-sample errors, generalization and over-fitting, cross-validation; evaluating by simulating; the bootstrap; penalized fitting; mis-specification checks
Yet More Linear Regression: what is regression, really?; what ordinary linear regression actually does; what it cannot do; extensions
Smoothing: kernel smoothing, including local polynomial regression; splines; additive models; kernel density estimation
Generalized linear and additive models: logistic regression; generalized linear models; generalized additive models.
Latent variables and structured data: principal components; factor analysis and latent variables; latent cluster/mixture models; graphical models in general
Causality: graphical causal models; identification of causal effects from observations; estimation of causal effects; discovering causal structure
Dependent data: Markov models for time series without latent variables; hidden Markov models for time series with latent variables; longitudinal, spatial and network data