دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data analysis for the life sciences with R
دانلود کتاب تجزیه و تحلیل داده ها برای علوم زیستی با R
مشخصات کتاب
Data analysis for the life sciences with R
ویرایش: 1 نویسندگان: Irizarry. Rafael A., Love. Michael I سری: ISBN (شابک) : 1498775675, 1315367009 ناشر: Chapman and Hall/CRC سال نشر: 2017 تعداد صفحات: 376 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 132 مگابایت
قیمت کتاب (تومان) : 52,000
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل داده ها برای علوم زیستی با R: تحقیق، روش های آماری، علوم زیستی، مرجع، پرسش و پاسخ
در صورت تبدیل فایل کتاب Data analysis for the life sciences with 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 تجزیه و تحلیل داده ها برای علوم زیستی با 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.
توضیحاتی در مورد کتاب تجزیه و تحلیل داده ها برای علوم زیستی با R
این کتاب چندین مورد از مفاهیم آماری و مهارت های تحلیل داده مورد نیاز برای موفقیت در تحقیقات علوم زیستی مبتنی بر داده را پوشش می دهد. نویسندگان از مفاهیم نسبتاً ابتدایی مربوط به مقادیر p محاسبه شده به موضوعات پیشرفته مربوط به تجزیه و تحلیل داده های بازده بالا می روند. آنها شامل کد R است که این تحلیل را انجام می دهد و خطوط کد را به مفاهیم آماری و ریاضی توضیح داده شده متصل می کند.
توضیحاتی درمورد کتاب به خارجی
This book covers several of the statistical concepts and data analytic skills needed to succeed in data-driven life science research. The authors proceed from relatively basic concepts related to computed p-values to advanced topics related to analyzing highthroughput data. They include the R code that performs this analysis and connect the lines of code to the statistical and mathematical concepts explained
فهرست مطالب
Content: 1. Getting started --
2. Inference --
3. Exploratory data analysis --
4. Matrix algebra --
5. Linear models --
6. Inference for high dimensional data --
7. Statistical models --
8. Distance and dimension reduction --
9. Basic machine Learning --
10. Batch effects.
