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:
نویسندگان: James M. McCracken
سری: Synthesis Lectures on Data Mining and Knowledge Discovery
ISBN (شابک) : 9781627059343
ناشر: Morgan & Claypool
سال نشر: 2016
تعداد صفحات: 134
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Exploratory Causal Analysis with Time Series Data 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 تحلیل علی اکتشافی با داده های سری زمانی 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.
بسیاری از رشته های علمی بر داده های مشاهده ای سیستم هایی تکیه می کنند که اجرای آزمایش های کنترل شده برای آنها دشوار (یا غیرممکن) است. تکنیک های تجزیه و تحلیل داده ها برای شناسایی اطلاعات علی و روابط به طور مستقیم از چنین داده های مشاهده ای مورد نیاز است. این نیاز به توسعه بسیاری از رویکردها و ابزارهای علیت سری های زمانی مختلف از جمله آنتروپی انتقال، نقشه برداری متقابل همگرا (CCM) و آمار علیت گرنجر منجر شده است. یک تحلیلگر مجرب می تواند ادبیات را برای یافتن پیشنهادهای زیادی برای شناسایی محرک ها و ارتباطات علی در مجموعه داده های سری زمانی بررسی کند. تحلیل علی اکتشافی (ECA) چارچوبی را برای کاوش ساختارهای علی بالقوه در مجموعه داده های سری زمانی فراهم می کند و با یک هدف نزدیک بینی مشخص می شود تا مشخص کند کدام سری داده از مجموعه ای معین از سری می تواند به عنوان محرک اصلی دیده شود. در این کار، ECA روی چندین مجموعه داده مصنوعی و تجربی استفاده میشود، و مشخص شد که همه ابزارهای علیت سری زمانی آزمایششده با یکدیگر (و مفاهیم شهودی علیت) برای بسیاری از سیستمهای ساده موافق هستند، اما میتوانند استنتاجهای علّی متضادی را ارائه کنند. سیستم های پیچیده تر پیشنهاد میشود که چنین اختلاف نظرهایی بین ابزارهای علیت سری زمانی مختلف در طول ECA ممکن است بینش عمیقتری نسبت به دادهها فراهم کند.
Many scientific disciplines rely on observational data of systems for which it is difficult (or impossible) to implement controlled experiments. Data analysis techniques are required for identifying causal information and relationships directly from such observational data. This need has led to the development of many different time series causality approaches and tools including transfer entropy, convergent cross-mapping (CCM), and Granger causality statistics. A practicing analyst can explore the literature to find many proposals for identifying drivers and causal connections in time series data sets. Exploratory causal analysis (ECA) provides a framework for exploring potential causal structures in time series data sets and is characterized by a myopic goal to determine which data series from a given set of series might be seen as the primary driver. In this work, ECA is used on several synthetic and empirical data sets, and it is found that all of the tested time series causality tools agree with each other (and intuitive notions of causality) for many simple systems but can provide conflicting causal inferences for more complicated systems. It is proposed that such disagreements between different time series causality tools during ECA might provide deeper insight into the data than could be found otherwise.