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 Wu, Stephen Coggeshall سری: Chapman & Hall/CRC data mining and knowledge discovery series ISBN (شابک) : 9781439869482, 1439869480 ناشر: CRC Press سال نشر: 2012 تعداد صفحات: 335 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 Foundations of predictive analytics 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 مبانی تجزیه و تحلیل پیش بینی 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.
با تکیه بر دو دهه تجربه نویسندگان در مدلسازی کاربردی و دادهکاوی، Foundations of Predictive Analytics پیشزمینه اساسی مورد نیاز برای تجزیه و تحلیل دادهها و ساخت مدلها را برای بسیاری از کاربردهای عملی، مانند مدلسازی رفتار مصرفکننده، تجزیه و تحلیل ریسک و بازاریابی، و سایر زمینهها ارائه میکند. . همچنین در مورد موضوعات کاربردی مختلفی بحث می کند که اغلب در متون مشابه وجود ندارد. کتاب با مبانی جبر/ماتریس آماری و خطی روشهای مدلسازی، از توزیعها گرفته تا توابع تجمعی و کوپولا گرفته تا بسط کورنیش-فیشر و سایر تکنیکهای آماری مفید، اما سختیابی، آغاز میشود. سپس روشهای خطی معمول و غیرمعمول و همچنین روشهای مدلسازی غیرخطی رایج، از جمله مدلهای افزایشی، درختان، ماشین بردار پشتیبان، سیستمهای فازی، خوشهبندی، بیز ساده و شبکههای عصبی را توصیف میکند. نویسندگان در ادامه روشهای مورد استفاده در سریهای زمانی و پیشبینی را پوشش میدهند، مانند ARIMA، GARCH، و تجزیه و تحلیل بقا. آنها همچنین طیف وسیعی از تکنیکهای بهینهسازی را ارائه میکنند و چندین موضوع خاص مانند نظریه Dempster-Shafer را بررسی میکنند. مجموعه ای عمیق از مهمترین مطالب اساسی در تجزیه و تحلیل پیش بینی، این کتاب مستقل اطلاعات لازم را برای درک تکنیک های مختلف برای تجزیه و تحلیل داده های اکتشافی و مدل سازی ارائه می دهد. جزئیات الگوریتمی پشت هر تکنیک (از جمله مفروضات اساسی و فرمولبندیهای ریاضی) را توضیح میدهد و نحوه تهیه و کدگذاری دادهها، انتخاب متغیرها، استفاده از معیارهای خوب بودن مدل، عادیسازی شانسها و انجام استنتاج رد را نشان میدهد.
Drawing on the authors’ two decades of experience in applied modeling and data mining, Foundations of Predictive Analytics presents the fundamental background required for analyzing data and building models for many practical applications, such as consumer behavior modeling, risk and marketing analytics, and other areas. It also discusses a variety of practical topics that are frequently missing from similar texts. The book begins with the statistical and linear algebra/matrix foundation of modeling methods, from distributions to cumulant and copula functions to Cornish–Fisher expansion and other useful but hard-to-find statistical techniques. It then describes common and unusual linear methods as well as popular nonlinear modeling approaches, including additive models, trees, support vector machine, fuzzy systems, clustering, naïve Bayes, and neural nets. The authors go on to cover methodologies used in time series and forecasting, such as ARIMA, GARCH, and survival analysis. They also present a range of optimization techniques and explore several special topics, such as Dempster–Shafer theory. An in-depth collection of the most important fundamental material on predictive analytics, this self-contained book provides the necessary information for understanding various techniques for exploratory data analysis and modeling. It explains the algorithmic details behind each technique (including underlying assumptions and mathematical formulations) and shows how to prepare and encode data, select variables, use model goodness measures, normalize odds, and perform reject inference.
Content: 1. Introduction --
2. Properties of statistical distributions --
3. Important matrix relationships --
4. Linear modeling and regression --
5. Nonlinear modeling --
6. Time series analysis --
7. Data preparation and variable selection --
8. Model goodness measures --
9. Optimization methods --
10. Miscellaneous topics.