Data Mining and Statistics for Decision Making

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش: 2 
نویسندگان: Stéphane Tufféry  
سری: Wiley Series in Computational Statistics 
ISBN (شابک) : 0470688297, 9780470688298 
ناشر: Wiley 
سال نشر: 2011 
تعداد صفحات: 704 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 41,000

داده کاوی فرآیند جستجوی خودکار حجم زیادی از داده ها برای مدل ها و الگوها با استفاده از تکنیک های محاسباتی از آمار، یادگیری ماشین و تئوری اطلاعات است. این ابزار ایده آل برای چنین استخراج دانش است. داده کاوی معمولاً با نیاز یک کسب و کار یا سازمان به شناسایی روندها و نمایه ها مرتبط است و به عنوان مثال به خرده فروشان اجازه می دهد تا الگوهایی را پیدا کنند که بر اساس آن اهداف بازاریابی را پایه ریزی کنند.

این کتاب به تکنیک های کلاسیک و جدید داده کاوی می پردازد. مانند خوشه‌بندی، تجزیه و تحلیل تفکیک، رگرسیون لجستیک، مدل‌های خطی تعمیم‌یافته، رگرسیون منظم، رگرسیون PLS، درخت‌های تصمیم، شبکه‌های عصبی، ماشین‌های بردار پشتیبان، نظریه Vapnik، طبقه‌بندی کننده ساده بیزی، یادگیری مجموعه و تشخیص قوانین انجمن. آنها همراه با مثال‌های گویا در سراسر کتاب مورد بحث قرار گرفته‌اند تا نظریه این روش‌ها و همچنین نقاط قوت و محدودیت‌های آن‌ها را توضیح دهند.

 ویژگی‌های کلیدی:

• معرفی جامع برای تمام تکنیک‌های مورد استفاده در داده کاوی و یادگیری آماری، از تکنیک‌های کلاسیک تا آخرین تکنیک‌ها.
• از اصول اولیه تا مفاهیم پیشرفته شروع می‌شود.
• شامل بسیاری از مثال‌های گام به گام با نرم افزار اصلی (R, SAS, IBM SPSS) و همچنین بحث و مقایسه کامل آن نرم افزارها.
• نکات عملی برای اجرای داده کاوی برای حل مشکلات دنیای واقعی ارائه می دهد.
• به طیف وسیعی از ابزارها و برنامه‌ها، مانند قوانین مرتبط، وب‌کاوی و متن‌کاوی، با تمرکز ویژه بر امتیازدهی اعتبار نگاه می‌کند.
• پشتیبانی شده توسط میزبانی وب‌سایت همراه مجموعه داده ها و تجزیه و تحلیل کاربر

آماردانان و تحلیلگران هوش تجاری، دانشجویان و همچنین متخصصان علوم کامپیوتر، زیست شناسی، بازاریابی و ریسک مالی در سازمان های تجاری و دولتی در تمامی بخش های تجاری و صنعتی از این کتاب بهره مند خواهند شد.< p>

Data mining is the process of automatically searching large volumes of data for models and patterns using computational techniques from statistics, machine learning and information theory; it is the ideal tool for such an extraction of knowledge. Data mining is usually associated with a business or an organization's need to identify trends and profiles, allowing, for example, retailers to discover patterns on which to base marketing objectives.

This book looks at both classical and recent techniques of data mining, such as clustering, discriminant analysis, logistic regression, generalized linear models, regularized regression, PLS regression, decision trees, neural networks, support vector machines, Vapnik theory, naive Bayesian classifier, ensemble learning and detection of association rules. They are discussed along with illustrative examples throughout the book to explain the theory of these methods, as well as their strengths and limitations.

 Key Features:

• Presents a comprehensive introduction to all techniques used in data mining and statistical learning, from classical to latest techniques.
• Starts from basic principles up to advanced concepts.
• Includes many step-by-step examples with the main software (R, SAS, IBM SPSS) as well as a thorough discussion and comparison of those software.
• Gives practical tips for data mining implementation to solve real world problems.
• Looks at a range of tools and applications, such as association rules, web mining and text mining, with a special focus on credit scoring.
• Supported by an accompanying website hosting datasets and user analysis. 

Statisticians and business intelligence analysts, students as well as computer science, biology, marketing and financial risk professionals in both commercial and government organizations across all business and industry sectors will benefit from this book.