ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Assessing and Improving Prediction and Classification. Theory and Algorithms in C++

دانلود کتاب ارزیابی و بهبود پیش بینی و طبقه بندی. تئوری و الگوریتم ها در سی پلاس پلاس

Assessing and Improving Prediction and Classification. Theory and Algorithms in C++

مشخصات کتاب

Assessing and Improving Prediction and Classification. Theory and Algorithms in C++

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781484233368 
ناشر: Apress 
سال نشر: 2018 
تعداد صفحات: 526 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 33,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Assessing and Improving Prediction and Classification. Theory and Algorithms in C++ 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 ارزیابی و بهبود پیش بینی و طبقه بندی. تئوری و الگوریتم ها در سی پلاس پلاس 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 ارزیابی و بهبود پیش بینی و طبقه بندی. تئوری و الگوریتم ها در سی پلاس پلاس

کیفیت مدل‌های پیش‌بینی و طبقه‌بندی خود را به گونه‌ای ارزیابی کنید که عملکرد واقعی آن‌ها را به طور دقیق منعکس کند و سپس با استفاده از الگوریتم‌های پیشرفته مانند تصمیم‌گیری مبتنی بر کمیته، نمونه‌برداری مجدد از مجموعه داده‌ها و تقویت، این عملکرد را بهبود بخشید. این کتاب بسیاری از تکنیک‌های مهم را برای ساخت مدل‌های قدرتمند و مستحکم و تعیین کمیت رفتار مورد انتظار آن‌ها در هنگام استفاده در برنامه شما ارائه می‌کند. توجه قابل توجهی به نظریه اطلاعات داده شده است، به خصوص که به کشف و بهره برداری از روابط بین متغیرهای به کار گرفته شده توسط مدل های شما مربوط می شود. این ارائه یک موضوع اغلب گیج کننده از ریاضیات پیشرفته اجتناب می کند و در عوض بر مفاهیمی تمرکز می کند که به راحتی توسط کسانی که پیشینه متوسطی در ریاضیات دارند قابل درک است. همه الگوریتم‌ها شامل توضیح بصری عملیات، معادلات اساسی، ارجاع به تئوری دقیق‌تر و کد منبع C++ هستند. بسیاری از این تکنیک‌ها پیشرفت‌های اخیر هستند و هنوز به طور گسترده مورد استفاده قرار نگرفته‌اند. برخی دیگر الگوریتم های استانداردی هستند که ظاهری تازه دارند. در هر مورد، تاکید بر کاربرد عملی است، با تمام کدها به گونه ای نوشته شده است که به راحتی می تواند در هر برنامه ای گنجانده شود. آنچه یاد خواهید گرفت محاسبه آنتروپی برای شناسایی پیش بینی کننده های مشکل ساز بهبود پیش بینی های عددی با استفاده از ترکیبات محدود و نامحدود، درون یابی وزنی واریانس، و هموارسازی رگرسیون هسته تصمیمات طبقه بندی را با استفاده از شمارش Borda، قوانین MinMax و MaxMin، قوانین اتحاد و تقاطع، رگرسیون لجستیک انجام دهید. انتخاب با دقت محلی، به حداکثر رساندن انتگرال فازی و جفت جفتی استفاده از تکنیک‌های نظری اطلاعات برای غربالگری سریع تعداد زیادی از پیش‌بینی‌کننده‌های نامزد، شناسایی مواردی که به‌ویژه امیدوارکننده هستند استفاده از روش‌های جایگشت مونت کارلو برای ارزیابی نقش شانس خوب در عملکرد. نتایج محاسبه فاصله اطمینان و تحمل برای پیش‌بینی‌ها، و همچنین سطوح اطمینان برای تصمیم‌گیری‌های طبقه‌بندی این کتاب برای چه کسی است. اگرچه تمام نمونه‌های کد به زبان C++ نوشته شده‌اند، اما الگوریتم‌ها با جزئیات کافی توضیح داده شده‌اند که به راحتی می‌توان آن‌ها را به هر زبانی برنامه‌ریزی کرد.


توضیحاتی درمورد کتاب به خارجی

Assess the quality of your prediction and classification models in ways that accurately reflect their real-world performance, and then improve this performance using state-of-the-art algorithms such as committee-based decision making, resampling the dataset, and boosting. This book presents many important techniques for building powerful, robust models and quantifying their expected behavior when put to work in your application. Considerable attention is given to information theory, especially as it relates to discovering and exploiting relationships between variables employed by your models. This presentation of an often confusing subject avoids advanced mathematics, focusing instead on concepts easily understood by those with modest background in mathematics. All algorithms include an intuitive explanation of operation, essential equations, references to more rigorous theory, and commented C++ source code. Many of these techniques are recent developments, still not in widespread use. Others are standard algorithms given a fresh look. In every case, the emphasis is on practical applicability, with all code written in such a way that it can easily be included in any program. What You'll Learn Compute entropy to detect problematic predictors Improve numeric predictions using constrained and unconstrained combinations, variance-weighted interpolation, and kernel-regression smoothing Carry out classification decisions using Borda counts, MinMax and MaxMin rules, union and intersection rules, logistic regression, selection by local accuracy, maximization of the fuzzy integral, and pairwise coupling Harness information-theoretic techniques to rapidly screen large numbers of candidate predictors, identifying those that are especially promising Use Monte-Carlo permutation methods to assess the role of good luck in performance results Compute confidence and tolerance intervals for predictions, as well as confidence levels for classification decisions Who This Book is For Anyone who creates prediction or classification models will find a wealth of useful algorithms in this book. Although all code examples are written in C++, the algorithms are described in sufficient detail that they can easily be programmed in any language.



فهرست مطالب

Front Matter ....Pages i-xx
Assessment of Numeric Predictions (Timothy Masters)....Pages 1-43
Assessment of Class Predictions (Timothy Masters)....Pages 45-99
Resampling for Assessing Parameter Estimates (Timothy Masters)....Pages 101-184
Resampling for Assessing Prediction and Classification (Timothy Masters)....Pages 185-204
Miscellaneous Resampling Techniques (Timothy Masters)....Pages 205-278
Combining Numeric Predictions (Timothy Masters)....Pages 279-307
Combining Classification Models (Timothy Masters)....Pages 309-392
Gating Methods (Timothy Masters)....Pages 393-416
Information and Entropy (Timothy Masters)....Pages 417-507
Back Matter ....Pages 509-517




نظرات کاربران