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: [1 ed.]
نویسندگان: Moo K. Chung
سری:
ISBN (شابک) : 110718486X, 9781107184862
ناشر: Cambridge University Press
سال نشر: 2019
تعداد صفحات: 338
[344]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
در صورت تبدیل فایل کتاب Brain Network Analysis 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 شبکه مغز 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.
این مرجع آموزشی به عنوان یک نمای کلی منسجم از رویکردهای آماری و ریاضی مختلف مورد استفاده در تجزیه و تحلیل شبکه مغز عمل میکند، جایی که مدلسازی ساختارها و عملکردهای پیچیده مغز انسان اغلب چالشهای محاسباتی و آماری منحصربهفردی را ایجاد میکند. این کتاب به عنوان یک کتاب درسی برای دانشجویان تحصیلات تکمیلی خلأ را پر می کند و در عین حال موضوعات مهم و چالش برانگیز را به طور همزمان بیان می کند. در حالی که بیشتر کتابهای موجود نظریه گراف محور هستند، این متن تکنیکهای ناشی از نظریه گراف را معرفی میکند و مدلهای مختلف دیگر را در بحث علم شبکه، رگرسیون و توپولوژی جبری بسط میدهد. پیوندهایی به دادههای نمونه و کدهای مورد استفاده در تولید نتایج و ارقام کتاب گنجانده شده است، که به تقویت درک روششناختی به روشی که فوراً برای محققان و دانشجویان قابل استفاده است کمک میکند.
This tutorial reference serves as a coherent overview of various statistical and mathematical approaches used in brain network analysis, where modeling the complex structures and functions of the human brain often poses many unique computational and statistical challenges. This book fills a gap as a textbook for graduate students while simultaneously articulating important and technically challenging topics. Whereas most available books are graph theory-centric, this text introduces techniques arising from graph theory and expands to include other different models in its discussion on network science, regression, and algebraic topology. Links are included to the sample data and codes used in generating the book's results and figures, helping to empower methodological understanding in a manner immediately usable to both researchers and students.