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: 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
کلمات کلیدی مربوط به کتاب داده کاوی و آمار برای تصمیم گیری: کتابخانه، ادبیات کامپیوتر، ر
در صورت تبدیل فایل کتاب Data Mining and Statistics for Decision Making 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 داده کاوی و آمار برای تصمیم گیری 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 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:
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>
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:
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.