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: Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani سری: ناشر: Springer سال نشر: 2015 تعداد صفحات: [436] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب An Introduction to Statistical Learning with Applications in R 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 مقدمه ای بر یادگیری آماری با کاربردها در R 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.
مقدمه ای بر یادگیری آماری یک نمای کلی در دسترس از زمینه
یادگیری آماری ارائه می دهد، یک مجموعه ابزار ضروری برای درک
مجموعه داده های گسترده و پیچیده ای که در زمینه های مختلف از
زیست شناسی گرفته تا امور مالی، بازاریابی و اخترفیزیک در بیست
سال گذشته ظهور کرده اند. این کتاب برخی از مهمترین تکنیکهای
مدلسازی و پیشبینی را به همراه کاربردهای مرتبط ارائه میکند.
موضوعات شامل رگرسیون خطی، طبقهبندی، روشهای نمونهگیری مجدد،
رویکردهای انقباض، روشهای مبتنی بر درخت، ماشینهای بردار
پشتیبان، خوشهبندی و موارد دیگر است. برای نشان دادن روش های
ارائه شده از گرافیک های رنگی و نمونه های دنیای واقعی استفاده می
شود. از آنجایی که هدف این کتاب درسی تسهیل استفاده از این
تکنیکهای یادگیری آماری توسط متخصصان علوم، صنعت و سایر زمینهها
است، هر فصل شامل آموزش پیادهسازی تحلیلها و روشهای ارائهشده
در R، یک پلتفرم نرمافزار آماری متنباز بسیار محبوب است.
.
دو تن از نویسندگان کتاب «عناصر یادگیری آماری» (هستی، تیبشیرانی
و فریدمن، ویرایش دوم 2009) را که یک کتاب مرجع محبوب برای محققان
آمار و یادگیری ماشین است، با هم نوشتند. مقدمه ای بر یادگیری
آماری بسیاری از موضوعات مشابه را پوشش می دهد، اما در سطحی قابل
دسترسی برای مخاطبان بسیار گسترده تر. این کتاب برای آماردانان و
غیرآماردانان به طور یکسان که مایل به استفاده از تکنیک های
یادگیری آماری پیشرفته برای تجزیه و تحلیل داده های خود هستند،
مورد توجه قرار گرفته است. متن فقط یک دوره قبلی در رگرسیون خطی
را در نظر می گیرد و هیچ دانشی از جبر ماتریسی ندارد.
An Introduction to Statistical Learning provides an accessible
overview of the field of statistical learning, an essential
toolset for making sense of the vast and complex data sets that
have emerged in fields ranging from biology to finance to
marketing to astrophysics in the past twenty years. This book
presents some of the most important modeling and prediction
techniques, along with relevant applications. Topics include
linear regression, classification, resampling methods,
shrinkage approaches, tree-based methods, support vector
machines, clustering, and more. Color graphics and real-world
examples are used to illustrate the methods presented. Since
the goal of this textbook is to facilitate the use of these
statistical learning techniques by practitioners in science,
industry, and other fields, each chapter contains a tutorial on
implementing the analyses and methods presented in R, an
extremely popular open source statistical software
platform.
Two of the authors co-wrote The Elements of Statistical
Learning (Hastie, Tibshirani and Friedman, 2nd edition 2009), a
popular reference book for statistics and machine learning
researchers. An Introduction to Statistical Learning covers
many of the same topics, but at a level accessible to a much
broader audience. This book is targeted at statisticians and
non-statisticians alike who wish to use cutting-edge
statistical learning techniques to analyze their data. The text
assumes only a previous course in linear regression and no
knowledge of matrix algebra.