دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب High-dimensional statistics: a non-asymptotic viewpoint
دانلود کتاب آمار با ابعاد بالا: دیدگاه غیر مجانبی
مشخصات کتاب
High-dimensional statistics: a non-asymptotic viewpoint
ویرایش:
نویسندگان: Wainwright. Martin J
سری: Cambridge series on statistical and probabilistic mathematics 48
ISBN (شابک) : 9781108627771, 9781108498029
ناشر: Cambridge University Press
سال نشر: 2019
تعداد صفحات: 552
[572]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
قیمت کتاب (تومان) : 33,000
در صورت تبدیل فایل کتاب High-dimensional statistics: a non-asymptotic viewpoint 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 آمار با ابعاد بالا: دیدگاه غیر مجانبی 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 آمار با ابعاد بالا: دیدگاه غیر مجانبی
سال های اخیر شاهد انفجاری در حجم و تنوع داده های جمع آوری شده
در تمامی رشته های علمی و محیط های صنعتی بوده است. چنین مجموعه
داده های عظیم تعدادی چالش را برای محققان در آمار و یادگیری
ماشین ایجاد می کند. این کتاب مقدمه‌ای مستقل از حوزه آمار با
ابعاد بالا را با هدف مقطع کارشناسی ارشد سال اول ارائه می‌کند.
این شامل فصل‌هایی است که بر روش‌شناسی و نظریه اصلی متمرکز شده‌اند - از جمله مرزهای
دنباله، نابرابری‌های تمرکز، قوانین یکنواخت و فرآیند تجربی، و
ماتریس‌های تصادفی - و همچنین فصل‌های اختصاص داده شده به کاوش
عمیق کلاس‌های مدل خاص - از جمله مدل‌های خطی پراکنده، مدل‌های
ماتریسی با محدودیت‌های رتبه، مدل‌های گرافیکی، و انواع مختلف
مدل‌های ناپارامتریک. این متن با صدها مثال و تمرین کار شده، هم
برای دوره‌ها و هم برای خودآموزی توسط دانشجویان فارغ‌التحصیل و
محققین در آمار، یادگیری ماشین و زمینه‌های مرتبط که باید روش‌های
آماری مدرن را برای مقیاس بزرگ درک، اعمال و تطبیق دهند، در نظر
گرفته شده است. داده ها. ادامه
مطلب...
چکیده: سال های اخیر شاهد انفجاری در حجم و انواع داده های جمع
آوری شده در تمام رشته های علمی و محیط های صنعتی. چنین مجموعه
داده های عظیم تعدادی چالش را برای محققان در آمار و یادگیری
ماشین ایجاد می کند. این کتاب مقدمه‌ای مستقل از حوزه آمار با
ابعاد بالا را با هدف مقطع کارشناسی ارشد سال اول ارائه می‌کند.
این شامل فصل‌هایی است که بر روش‌شناسی و نظریه اصلی متمرکز هستند
- از جمله مرزهای دنباله، نابرابری‌های غلظت، قوانین یکنواخت و
فرآیند تجربی، و ماتریس‌های تصادفی - و همچنین فصل‌هایی که به
کاوش عمیق کلاس‌های مدل خاص - از جمله مدل‌های خطی پراکنده،
ماتریس اختصاص دارد. مدل‌هایی با محدودیت‌های رتبه، مدل‌های
گرافیکی و انواع مدل‌های ناپارامتریک. این متن با صدها مثال و
تمرین کار شده، هم برای دوره‌ها و هم برای خودآموزی توسط
دانشجویان فارغ‌التحصیل و محققین در آمار، یادگیری ماشین و
زمینه‌های مرتبط که باید روش‌های آماری مدرن را برای مقیاس بزرگ
درک، اعمال و تطبیق دهند، در نظر گرفته شده است. داده ها
توضیحاتی درمورد کتاب به خارجی
Recent years have witnessed an explosion in the volume and
variety of data collected in all scientific disciplines and
industrial settings. Such massive data sets present a number of
challenges to researchers in statistics and machine learning.
This book provides a self-contained introduction to the area of
high-dimensional statistics, aimed at the first-year graduate
level. It includes chapters that are focused on core methodology and theory -
including tail bounds, concentration inequalities, uniform laws
and empirical process, and random matrices - as well as
chapters devoted to in-depth exploration of particular model
classes - including sparse linear models, matrix models with
rank constraints, graphical models, and various types of
non-parametric models. With hundreds of worked examples and
exercises, this text is intended both for courses and for
self-study by graduate students and researchers in statistics,
machine learning, and related fields who must understand,
apply, and adapt modern statistical methods suited to
large-scale data. Read
more...
Abstract: Recent years have witnessed an explosion in the
volume and variety of data collected in all scientific
disciplines and industrial settings. Such massive data sets
present a number of challenges to researchers in statistics and
machine learning. This book provides a self-contained
introduction to the area of high-dimensional statistics, aimed
at the first-year graduate level. It includes chapters that are
focused on core methodology and theory - including tail bounds,
concentration inequalities, uniform laws and empirical process,
and random matrices - as well as chapters devoted to in-depth
exploration of particular model classes - including sparse
linear models, matrix models with rank constraints, graphical
models, and various types of non-parametric models. With
hundreds of worked examples and exercises, this text is
intended both for courses and for self-study by graduate
students and researchers in statistics, machine learning, and
related fields who must understand, apply, and adapt modern
statistical methods suited to large-scale data
