دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب High-Dimensional Covariance Estimation: With High-Dimensional Data
دانلود کتاب تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا
مشخصات کتاب
High-Dimensional Covariance Estimation: With High-Dimensional Data
ویرایش: 1
نویسندگان: Mohsen Pourahmadi
سری:
ISBN (شابک) : 1118034295, 9781118034293
ناشر: Wiley
سال نشر: 2013
تعداد صفحات: 206
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
قیمت کتاب (تومان) : 49,000
در صورت تبدیل فایل کتاب High-Dimensional Covariance Estimation: With High-Dimensional 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 تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا 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 تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا
روش‌هایی برای تخمین ماتریس‌های کوواریانس پراکنده و بزرگ
ماتریس‌های کوواریانس و همبستگی نقش اساسی در هر جنبه از تجزیه و تحلیل داده‌های چند متغیره جمع‌آوری‌شده از زمینه‌های مختلف از جمله تجارت و اقتصاد، مراقبت های بهداشتی، مهندسی، و علوم محیطی و فیزیکی. تخمین کوواریانس با ابعاد بالاپوشش قابل دسترسی و جامعی از رویکردهای کلاسیک و مدرن برای تخمین ماتریس های کوواریانس و همچنین کاربردهای آنها در مناطق به سرعت در حال توسعه واقع در تقاطع آمار و یادگیری ماشین ارائه می دهد.
اخیراً، روش‌های کوواریانس نمونه کلاسیک برای پاسخگویی به نیازهای آماردانان و محققانی که با مجموعه داده‌های همبسته بزرگ سروکار دارند، اصلاح و بهبود یافته است. تخمین کوواریانس با ابعاد بالا بر روش‌شناسی مبتنی بر انقباض، آستانه‌گذاری و احتمال جریمه‌شده با کاربردهای مدل‌های گرافیکی گاوسی، پیش‌بینی و مدیریت پورتفولیو میانگین واریانس تمرکز دارد. این کتاب به شدت بر ایده‌ها و تفاسیر مبتنی بر رگرسیون برای اتصال و یکسان کردن بسیاری از روش‌ها و الگوریتم‌های موجود برای کار تکیه دارد.
تخمین کوواریانس با ابعاد بالا دارای فصل‌هایی در این زمینه است: >
- داده‌ها، پراکندگی و منظم‌سازی
- تنظیم‌سازی ساختار ویژه
- باندینگ، مخروطی‌سازی و آستانه‌سازی
- ماتریس‌های کوواریانس
- < li>مدل‌های گرافیکی پراکنده گاوسی
- رگرسیون چند متغیره
این کتاب منبعی ایده‌آل برای محققان در زمینه‌های آمار، ریاضیات، تجارت و اقتصاد، علوم کامپیوتر و مهندسی است. همچنین یک متن یا مکمل مفید برای دوره های تحصیلات تکمیلی در تجزیه و تحلیل چند متغیره، تخمین کوواریانس، یادگیری آماری، و تجزیه و تحلیل داده های با ابعاد بالا.
توضیحاتی درمورد کتاب به خارجی
Methods for estimating sparse and large covariance matrices
Covariance and correlation matrices play fundamental roles in every aspect of the analysis of multivariate data collected from a variety of fields including business and economics, health care, engineering, and environmental and physical sciences. High-Dimensional Covariance Estimation provides accessible and comprehensive coverage of the classical and modern approaches for estimating covariance matrices as well as their applications to the rapidly developing areas lying at the intersection of statistics and machine learning.
Recently, the classical sample covariance methodologies have been modified and improved upon to meet the needs of statisticians and researchers dealing with large correlated datasets. High-Dimensional Covariance Estimation focuses on the methodologies based on shrinkage, thresholding, and penalized likelihood with applications to Gaussian graphical models, prediction, and mean-variance portfolio management. The book relies heavily on regression-based ideas and interpretations to connect and unify many existing methods and algorithms for the task.
High-Dimensional Covariance Estimation features chapters on:
- Data, Sparsity, and Regularization
- Regularizing the Eigenstructure
- Banding, Tapering, and Thresholding
- Covariance Matrices
- Sparse Gaussian Graphical Models
- Multivariate Regression
The book is an ideal resource for researchers in statistics, mathematics, business and economics, computer sciences, and engineering, as well as a useful text or supplement for graduate-level courses in multivariate analysis, covariance estimation, statistical learning, and high-dimensional data analysis.
فهرست مطالب
HIGH-DIMENSIONAL COVARIANCE ESTIMATION......Page 3
CONTENTS......Page 7
PREFACE......Page 11
I MOTIVATION AND THE BASICS......Page 13
1 INTRODUCTION......Page 15
1.1 Least Squares and Regularized Regression......Page 16
1.2 Lasso: Survival of the Bigger......Page 18
1.3 Thresholding the Sample Covariance Matrix......Page 21
1.4 Sparse PCA and Regression......Page 22
1.6 Cholesky Decomposition and Regression......Page 25
1.7 The Bigger Picture: Latent Factor Models......Page 27
1.8 Further Reading......Page 29
2 DATA, SPARSITY, AND REGULARIZATION......Page 33
2.1 Data Matrix: Examples......Page 34
2.2 Shrinking the Sample Covariance Matrix......Page 38
2.3 Distribution of the Sample Eigenvalues......Page 41
2.4 Regularizing Covariances Like a Mean......Page 42
2.5 The Lasso Regression......Page 44
2.6 Lasso: Variable Selection and Prediction......Page 48
2.7 Lasso: Degrees of Freedom and BIC......Page 49
2.8 Some Alternatives to the Lasso Penalty......Page 50
3.1 Definition and Basic Properties......Page 57
3.2 The Spectral Decomposition......Page 61
3.3 Structured Covariance Matrices......Page 65
3.4 Functions of a Covariance Matrix......Page 68
3.5 PCA: The Maximum Variance Property......Page 73
3.6 Modified Cholesky Decomposition......Page 75
3.7 Latent Factor Models......Page 79
3.8 GLM for Covariance Matrices......Page 85
3.9 GLM via the Cholesky Decomposition......Page 88
3.10.1 The Incoherency Problem in Incomplete Longitudinal Data......Page 91
3.10.2 The Incomplete Data and The EM Algorithm......Page 93
3.11 A Data Example: Fruit Fly Mortality Rate......Page 96
3.12 Simulating Random Correlation Matrices......Page 101
3.13 Bayesian Analysis of Covariance Matrices......Page 103
II COVARIANCE ESTIMATION: REGULARIZATION......Page 109
4 REGULARIZING THE EIGENSTRUCTURE......Page 111
4.1 Shrinking the Eigenvalues......Page 112
4.2 Regularizing The Eigenvectors......Page 117
4.3 A Duality between PCA and SVD......Page 119
4.4 Implementing Sparse PCA: A Data Example......Page 122
4.5 Sparse Singular Value Decomposition (SSVD)......Page 124
4.6 Consistency of PCA......Page 126
4.7 Principal Subspace Estimation......Page 130
4.8 Further Reading......Page 131
5 SPARSE GAUSSIAN GRAPHICAL MODELS......Page 133
5.1 Covariance Selection Models: Two Examples......Page 134
5.2 Regression Interpretation of Entries of Σ-1......Page 136
5.3 Penalized Likelihood and Graphical Lasso......Page 138
5.4 Penalized Quasi-Likelihood Formulation......Page 143
5.5 Penalizing the Cholesky Factor......Page 144
5.6 Consistency and Sparsistency......Page 148
5.7 Joint Graphical Models......Page 149
5.8 Further Reading......Page 151
6 BANDING, TAPERING, AND THRESHOLDING......Page 153
6.1 Banding the Sample Covariance Matrix......Page 154
6.2 Tapering the Sample Covariance Matrix......Page 156
6.3 Thresholding the Sample Covariance Matrix......Page 157
6.4 Low-Rank Plus Sparse Covariance Matrices......Page 161
6.5 Further Reading......Page 162
7 MULTIVARIATE REGRESSION: ACCOUNTING FOR CORRELATION......Page 165
7.1 Multivariate Regression and LS Estimators......Page 166
7.2 Reduced Rank Regressions (RRR)......Page 168
7.3 Regularized Estimation of B......Page 170
7.4 Joint Regularization of (B, Ω)......Page 172
7.5.1 Intraday Electricity Prices......Page 175
7.5.2 Predicting Asset Returns......Page 177
7.6 Further Reading......Page 179
BIBLIOGRAPHY......Page 183
INDEX......Page 193
WILEY SERIES IN PROBABILITY AND STATISTICS......Page 197
نظرات کاربران
کتاب های تصادفی
دانلود کتاب PHYSICS MCQS FOR IIT JEE NEET IAS SAT MAT Multiple Choice Questions Answers Fully Solved IITJEE main advanced Trust Education
دانلود کتاب Nutrition and feeding of organic poultry
دانلود کتاب Crack Capitalism
