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
دسته بندی: آمار ریاضی ویرایش: نویسندگان: Silvelyn Zwanzig, Behrang Mahjani سری: ISBN (شابک) : 0367194252, 9780367194253 ناشر: CRC Press سال نشر: 2020 تعداد صفحات: 227 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 16 مگابایت
در صورت تبدیل فایل کتاب Computer Intensive Methods in Statistics 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 روش های فشرده کامپیوتری در آمار 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 کتاب درسی تست شده برای یک ترم فارغ التحصیل یا دوره کارشناسی ارشد در انفورماتیک سلامت محاسباتی طراحی شده است. تمرکز کتاب بر روی تکنیک های محاسباتی است که به طور گسترده در تجزیه و تحلیل داده های سلامت و انفورماتیک سلامت استفاده می شود. این علم کامپیوتر و دیدگاه های بالینی را ادغام می کند. این کتاب دانشجویان علوم کامپیوتر را برای مشاغل انفورماتیک سلامت محاسباتی و تجزیه و تحلیل داده های پزشکی آماده می کند. ویژگی ها علم کامپیوتر و دیدگاه های بالینی را ادغام می کند. تکنیکهای مختلف آماری و هوش مصنوعی از جمله تکنیکهای یادگیری ماشین مانند خوشهبندی از جمله دادههای زمانی، تحلیل رگرسیون، شبکههای عصبی، HMM، درختهای تصمیمگیری، SVM و دادهکاوی که به طور گسترده در تجزیه و تحلیل دادههای سلامت استفاده میشوند را توصیف میکند. تکنیکهای محاسباتی مانند بازیابی و بازیابی دادههای چند بعدی و چندرسانهای، هستیشناسی، شناسایی دادههای بیمار، تجزیه و تحلیل دادههای زمانی، پایگاههای داده ناهمگن، تجزیه و تحلیل و انتقال تصویر پزشکی، تجزیه و تحلیل بیوسیگنال، مراقبتهای بهداشتی فراگیر، تجزیه و تحلیل متن خودکار، پایگاههای دانش سلامت واژگان و پزشکی تبادل اطلاعات شامل تکنیکهای بیوانفورماتیک و فارماکوکینتیک و کاربردهای آنها در ساخت واکسن و دارو است. آرویند بانسال استاد تمام علوم کامپیوتر در دانشگاه ایالتی کنت، کنت، اوهایو، ایالات متحده آمریکا است. او دکترای خود را (1988) از دانشگاه کیس وسترن رزرو، کلیولند، اوهایو، ایالات متحده آمریکا دریافت کرد. انتشارات تحقیقاتی و تدریس در مقطع کارشناسی و کارشناسی ارشد او در زمینه هوش مصنوعی، سیستمها و زبانهای چند رسانهای، بیوانفورماتیک و انفورماتیک سلامت محاسباتی است. جاوید خان استاد کامل علوم کامپیوتر در دانشگاه ایالتی کنت، کنت، اوهایو، ایالات متحده آمریکا است. او دکترای خود را (1995) از دانشگاه هاوایی در مانوآ، ایالات متحده آمریکا دریافت کرد. انتشارات تحقیقاتی و آموزه های او در مقطع کارشناسی و کارشناسی ارشد در زمینه هوش مصنوعی، پروتکل های شبکه کامپیوتری، شبکه های آموزشی، پردازش و ارتباطات تصویر پزشکی، افزایش ادراکی و کسب دانش خودکار است. او یک کارشناس طولانی مدت منطقه فولبرایت بوده است. اس. قیصر علم دکترای خود را (1996) در رشته مهندسی برق از دانشگاه روچستر، روچستر نیویورک، ایالات متحده آمریکا دریافت کرد. انتشارات تحقیقاتی و تدریس او در تجزیه و تحلیل تصویر پزشکی و تجزیه و تحلیل ژنوم است. وی در سال های 1377 تا 1392 عضو هیات پژوهشی آزمایشگاه های مهندسی زیست پزشکی بود. او محقق فولبرایت و استاد مدعو در دانشگاه RUTGERS، نیویورک، ایالات متحده آمریکا بوده است. در حال حاضر، او شرکت خود را برای تجزیه و تحلیل تصویر پزشکی اداره می کند.
This class-tested textbook is designed for a semester-long graduate, or senior undergraduate course on Computational Health Informatics. The focus of the book is on computational techniques that are widely used in health data analysis and health informatics. It integrates computer science and clinical perspectives. The book prepares computer science students for careers in computational health informatics and medical data analysis. Features Integrates computer science and clinical perspectives. Describes various statistical and artificial intelligence techniques including machine learning techniques such as clustering including temporal data, regression analysis, neural networks, HMM, decision trees, SVM, and data mining widely used in health-data analysis. Describes computational techniques such as multidimensional and multimedia data representation and retrieval, ontology, patient-data deidentification, temporal data analysis, heterogeneous databases, medical image analysis and transmission, biosignal analysis, pervasive healthcare, automated text-analysis, health-vocabulary knowledgebases and medical information-exchange. Includes bioinformatics and pharmacokinetics techniques and their applications to vaccine and drug development. Arvind Bansal is a full professor of Computer Science at Kent State University, Kent, Ohio, USA. He received his PhD (1988) from Case Western Reserve University, Cleveland, Ohio, USA. His research publications, and undergraduate and graduate teaching are in artificial intelligence, multimedia systems and languages, bioinformatics, and computational health informatics. Javed Khan is a full professor of Computer Science at Kent State University, Kent, Ohio, USA. He received his PhD (1995) from University of Hawaii at Manoa, USA. His research publications, and undergraduate and graduate teachings are in artificial intelligence, computer networking protocols, educational networks, medical image processing and communication, perceptual enhancement, and automated knowledge acquisition. He has been a long-term Fulbright area expert. S. Kaisar Alam received his PhD (1996) in Electrical Engineering from University of Rochester, Rochester NY, USA. His research publications and teaching are in medical image analysis and genome analysis. He was a member of the research staff in Biomedical Engineering Laboratories during 1998-2013. He has been a Fullbright scholar and a visiting professor at RUTGERS University, NY, USA. Currently, he runs his company for medical image analysis.
Cover Half Title Title Page Copyright Page Contents Preface Introduction 1. Random Variable Generation 1.1 Basic Methods 1.1.1 Congruential Generators 1.1.2 The KISS Generator 1.1.3 Beyond Uniform Distributions 1.2 Transformation Methods 1.3 Accept-Reject Methods 1.3.1 Envelope Accept-Reject Methods 1.4 Problems 2. Monte Carlo Methods 2.1 Independent Monte Carlo Methods 2.1.1 Importance Sampling 2.1.2 The Rule of Thumb for Importance Sampling 2.2 Markov Chain Monte Carlo 2.2.1 Metropolis-Hastings Algorithm 2.2.2 Special MCMC Algorithms 2.2.3 Adaptive MCMC 2.2.4 Perfect Simulation 2.2.5 The Gibbs Sampler 2.3 Approximate Bayesian Computation Methods 2.4 Problems 3. Bootstrap 3.1 General Principle 3.1.1 Unified Bootstrap Framework 3.1.2 Bootstrap and Monte Carlo 3.1.3 Conditional and Unconditional Distribution 3.2 Basic Bootstrap 3.2.1 Plug-in Principle 3.2.2 Why is Bootstrap Good? 3.2.3 Example where Bootstrap Fails 3.3 Bootstrap Confidence Sets 3.3.1 The Pivotal Method 3.3.2 Bootstrap Pivotal Methods 3.3.2.1 Percentile Bootstrap Confidence Interval 3.3.2.2 Basic Bootstrap Confidence Interval 3.3.2.3 Studentized Bootstrap Confidence Interval 3.3.3 Transformed Bootstrap Confidence Intervals 3.3.4 Prepivoting Confidence Set 3.3.5 BCa-Confidence Interval 3.4 Bootstrap Hypothesis Tests 3.4.1 Parametric Bootstrap Hypothesis Test 3.4.2 Nonparametric Bootstrap Hypothesis Test 3.4.3 Advanced Bootstrap Hypothesis Tests 3.5 Bootstrap in Regression 3.5.1 Model-Based Bootstrap 3.5.2 Parametric Bootstrap Regression 3.5.3 Casewise Bootstrap in Correlation Model 3.6 Bootstrap for Time Series 3.7 Problems 4. Simulation-Based Methods 4.1 EM Algorithm 4.2 SIMEX 4.3 Variable Selection 4.3.1 F-Backward and F-Forward Procedures 4.3.2 FSR-Forward Procedure 4.3.3 SimSel 4.4 Problems 5. Density Estimation 5.1 Background 5.2 Histogram 5.3 Kernel Density Estimator 5.3.1 Statistical Properties 5.3.2 Bandwidth Selection in Practice 5.4 Nearest Neighbor Estimator 5.5 Orthogonal Series Estimator 5.6 Minimax Convergence Rate 5.7 Problems 6. Nonparametric Regression 6.1 Background 6.2 Kernel Regression Smoothing 6.3 Local Regression 6.4 Classes of Restricted Estimators 6.4.1 Ridge Regression 6.4.2 Lasso 6.5 Spline Estimators 6.5.1 Base Splines 6.5.2 Smoothing Splines 6.6 Wavelet Estimators 6.6.1 Wavelet Base 6.6.2 Wavelet Smoothing 6.7 Choosing the Smoothing Parameter 6.8 Bootstrap in Regression 6.9 Problems References Index