مشخصات کتاب

Applied analytics through case studies using SAS and R: implementing predictive models and machine learning techniques

ویرایش:  
نویسندگان: Gupta. Deepti  
سری:  
ISBN (شابک) : 9781484235256, 9781484235263 
ناشر: Apress 
سال نشر: 2018 
تعداد صفحات: 415 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

کلمات کلیدی مربوط به کتاب تجزیه و تحلیل کاربردی از طریق مطالعات موردی با استفاده از SAS و R: پیاده سازی مدل های پیش بینی و تکنیک های یادگیری ماشین: است

در صورت تبدیل فایل کتاب Applied analytics through case studies using SAS and R: implementing predictive models and machine learning techniques 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 تجزیه و تحلیل کاربردی از طریق مطالعات موردی با استفاده از SAS و R: پیاده سازی مدل های پیش بینی و تکنیک های یادگیری ماشین 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.

توضیحاتی در مورد کتاب تجزیه و تحلیل کاربردی از طریق مطالعات موردی با استفاده از SAS و R: پیاده سازی مدل های پیش بینی و تکنیک های یادگیری ماشین

مقدمه فهرست مطالب؛ درباره نویسنده؛ درباره مشارکت کننده؛ درباره داور فنی؛ قدردانی ها؛ معرفی؛ فصل 1: تجزیه و تحلیل داده ها و کاربرد آن در صنایع مختلف. تجزیه و تحلیل داده چیست؟ جمع آوری داده ها; آماده سازی داده ها؛ تحلیل داده ها؛ نمونه ساختمان; نتایج؛ به کار انداختن؛ انواع تجزیه و تحلیل؛ شناخت داده ها و انواع آن؛ تجزیه و تحلیل داده های بزرگ چیست؟ چالش های تجزیه و تحلیل داده های بزرگ؛ تجزیه و تحلیل داده ها و ابزارهای کلان داده؛ نقش تجزیه و تحلیل در صنایع مختلف. رقبای تحلیلی چه کسانی هستند؟ مدل های کلیدی و کاربرد آنها در صنایع مختلف. خلاصه؛ مشکلات کسب و کار را بررسی کنید و از یک رویکرد تحلیلی عملی برای حل آنها با پیاده سازی مدل های پیش بینی و تکنیک های یادگیری ماشین با استفاده از SAS و زبان تحلیلی R استفاده کنید. این کتاب برای کسانی ایده‌آل است که در نوشتن کد مهارت دارند و درک اولیه از آمار دارند، اما تجربه محدودی در پیاده‌سازی مدل‌های پیش‌بینی و تکنیک‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های دنیای واقعی دارند. چالش برانگیزترین بخش حل مشکلات کسب و کار صنعتی، دانش عملی و عملی ساخت و استقرار مدل های پیش بینی پیشرفته و الگوریتم های یادگیری ماشین است. تجزیه و تحلیل کاربردی از طریق مطالعات موردی با استفاده از SAS و R پاسخ شما به حل این مشکلات تجاری با تقویت مهارت های تحلیلی شما است. آنچه می آموزید درک تجزیه و تحلیل و مفاهیم پایه داده استفاده از یک رویکرد تحلیلی برای حل مشکلات کسب و کار صنعتی ساخت مدل پیش بینی با تکنیک های یادگیری ماشینی ایجاد و به کارگیری استراتژی های تحلیلی چه کسی این کتاب برای دانشمندان داده، توسعه دهندگان، آماردانان، مهندسان و دانشجویان پژوهشگر است. درک نظری عالی از داده ها و آمار که می خواهند مهارت های خود را با قرار گرفتن در معرض عملی در مدل سازی داده ها افزایش دهند.

توضیحاتی درمورد کتاب به خارجی

Intro; Table of Contents; About the Author; About the Contributor; About the Technical Reviewer; Acknowledgments; Introduction; Chapter 1: Data Analytics and Its Application in Various Industries; What Is Data Analytics?; Data Collection; Data Preparation; Data Analysis; Model Building; Results; Put into Use; Types of Analytics; Understanding Data and Its Types; What Is Big Data Analytics?; Big Data Analytics Challenges; Data Analytics and Big Data Tools; Role of Analytics in Various Industries; Who Are Analytical Competitors?; Key Models and Their Applications in Various Industries; Summary;Examine business problems and use a practical analytical approach to solve them by implementing predictive models and machine learning techniques using SAS and the R analytical language. This book is ideal for those who are well-versed in writing code and have a basic understanding of statistics, but have limited experience in implementing predictive models and machine learning techniques for analyzing real world data. The most challenging part of solving industrial business problems is the practical and hands-on knowledge of building and deploying advanced predictive models and machine learning algorithms. Applied Analytics through Case Studies Using SAS and R is your answer to solving these business problems by sharpening your analytical skills. What You'll Learn Understand analytics and basic data concepts Use an analytical approach to solve Industrial business problems Build predictive model with machine learning techniques Create and apply analytical strategies Who This Book Is For Data scientists, developers, statisticians, engineers, and research students with a great theoretical understanding of data and statistics who would like to enhance their skills by getting practical exposure in data modeling.

فهرست مطالب

Intro
 Table of Contents
 About the Author
 About the Contributor
 About the Technical Reviewer
 Acknowledgments
 Introduction
 Chapter 1: Data Analytics and Its Application in Various Industries
 What Is Data Analytics?
 Data Collection
 Data Preparation
 Data Analysis
 Model Building
 Results
 Put into Use
 Types of Analytics
 Understanding Data and Its Types
 What Is Big Data Analytics?
 Big Data Analytics Challenges
 Data Analytics and Big Data Tools
 Role of Analytics in Various Industries
 Who Are Analytical Competitors?
 Key Models and Their Applications in Various Industries
 Summary Predictive Value Validation in Logistic Regression ModelLogistic Regression Model Using R
 About Data
 Performing Data Exploration
 Model Building and Interpretation of Full Data
 Model Building and Interpretation of Training and Testing Data
 Predictive Value Validation
 Logistic Regression Model Using SAS
 Model Building and Interpretation of Full Data
 Summary
 References
 Chapter 3: Retail Case Study
 Supply Chain in the Retail Industry
 Types of Retail Stores
 Role of Analytics in the Retail Sector
 Customer Engagement
 Supply Chain Optimization
 Price Optimization Space Optimization and Assortment PlanningCase Study: Sales Forecasting for Gen Retailers with SARIMA Model
 Overview of ARIMA Model
 AutoRegressive Model
 Moving Average Model
 AutoRegressive Moving Average Model
 The Integrated Model
 Three Steps of ARIMA Modeling
 Identification Stage
 Estimation and Diagnostic Checking Stage
 Forecasting Stage
 Seasonal ARIMA Models or SARIMA
 Evaluating Predictive Accuracy of Time Series Model
 Seasonal ARIMA Model Using R
 About Data
 Performing Data Exploration for Time Series Data
 Seasonal ARIMA Model Using SAS
 Summary
 References Chapter 4: Telecommunication Case StudyTypes of Telecommunications Networks
 Role of Analytics in the Telecommunications Industry
 Predicting Customer Churn
 Network Analysis and Optimization
 Fraud Detection and Prevention
 Price Optimization
 Case Study: Predicting Customer Churn with Decision Tree Model
 Advantages and Limitations of the Decision Tree
 Handling Missing Values in the Decision Tree
 Handling Model Overfitting in Decision Tree
 Prepruning
 Postpruning
 How the Decision Tree Works
 Measures of Choosing the Best Split Criteria in Decision Tree
 Decision Tree Model Using R

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Elementary Linear Algebra - A Matrix Approach (2nd Edition)

دانلود کتاب All about day trading: the easy way to get started

دانلود کتاب Effortless E-Commerce with PHP and MySQL

دانلود کتاب Days of our lives lie in fragments: new and old poems, 1957-1997

دانلود کتاب Matemáticas. 3, Geometría analítica básica