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: آمار ریاضی ویرایش: نویسندگان: Konishi. Sadanori سری: Texts in statistical science ISBN (شابک) : 9781466567283, 1466567287 ناشر: CRC Press سال نشر: 2014 تعداد صفحات: 336 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب مقدمه ای برای تحلیل چند متغیره: مدل سازی خطی و غیرخطی: ریاضیات، نظریه احتمالات و آمار ریاضی، آمار ریاضی
در صورت تبدیل فایل کتاب Introduction to Multivariate Analysis: Linear and Nonlinear Modeling 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 مقدمه ای برای تحلیل چند متغیره: مدل سازی خطی و غیرخطی 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.
\"هدف علم آمار
توسعه روششناسی و نظریهای برای استخراج اطلاعات مفید از
دادهها و استنتاج معقول برای روشن کردن پدیدههای با عدم قطعیت
در زمینههای مختلف علوم طبیعی و اجتماعی است. دادهها حاوی
اطلاعات هستند. در مورد پدیده تصادفی مورد بررسی و هدف تجزیه و
تحلیل آماری بیان این اطلاعات به شکل قابل فهم با استفاده از
روش های آماری است. ما همچنین در مورد جنبه های ناشناخته پدیده
های تصادفی استنباط می کنیم و به دنبال درک روابط علی هستیم.
تحلیل چند متغیره به تکنیک هایی اطلاق می شود که برای تجزیه و
تحلیل داده هایی که از متغیرهای متعددی که بین آنها روابطی وجود
دارد، به وجود می آیند. تجزیه و تحلیل چند متغیره به طور گسترده
ای برای استخراج اطلاعات و الگوهای مفید از داده های چند متغیره
و برای درک ساختار پدیده های تصادفی استفاده شده است. تکنیکها
شامل رگرسیون، تجزیه و تحلیل متمایز، تجزیه و تحلیل مؤلفههای
اصلی، خوشهبندی و غیره است و عمدتاً بر اساس خطی بودن متغیرهای
مشاهدهشده است. در سالهای اخیر، دسترسی گسترده به رایانههای
سریع و ارزان، ما را قادر میسازد تا حجم عظیمی از دادهها را
با ساختار پیچیده و/یا دادههای با ابعاد بالا جمعآوری کنیم.
چنین انباشت داده ها نیز با توسعه و تکثیر فناوری های اندازه
گیری الکترونیکی و ابزار دقیق تسریع می شود. چنین مجموعه داده
هایی در زمینه های مختلف علم و صنعت، از جمله بیوانفورماتیک،
پزشکی، داروسازی، مهندسی سیستم ها، تشخیص الگو، علوم زمین و
محیط زیست، اقتصاد و بازاریابی به وجود می آیند. \"--
ادامه
مطلب...
چکیده: \"تکنیک های چند متغیره برای تجزیه و تحلیل استفاده می
شود داده هایی که از بیش از یک متغیر به وجود می آیند که در
آنها روابط بین متغیرها وجود دارد. این تکنیک ها عمدتا بر اساس
خطی بودن متغیرهای مشاهده شده، برای استخراج اطلاعات و الگوها
از داده های چند متغیره و همچنین برای درک ساختار پدیده های
تصادفی مفید هستند. این کتاب مفاهیم تکنیکهای چند متغیره خطی و
غیرخطی از جمله مدلسازی رگرسیون، طبقهبندی، تمایز، کاهش ابعاد
و خوشهبندی را تشریح میکند. اطلاعات از داده ها و برای
استنتاج معقول برای روشن کردن پدیده های با عدم قطعیت در زمینه
های مختلف علوم طبیعی و اجتماعی. داده ها حاوی اطلاعاتی در مورد
پدیده تصادفی مورد بررسی هستند و هدف از تجزیه و تحلیل آماری
بیان این اطلاعات به شکل قابل فهم با استفاده از روش های آماری
است. ما همچنین در مورد جنبه های ناشناخته پدیده های تصادفی
استنباط می کنیم و به دنبال درک روابط علی هستیم. تحلیل چند
متغیره به تکنیک هایی اطلاق می شود که برای تجزیه و تحلیل داده
هایی که از متغیرهای متعددی که بین آنها روابطی وجود دارد، به
وجود می آیند. تجزیه و تحلیل چند متغیره به طور گسترده ای برای
استخراج اطلاعات و الگوهای مفید از داده های چند متغیره و برای
درک ساختار پدیده های تصادفی استفاده شده است. تکنیکها شامل
رگرسیون، تجزیه و تحلیل متمایز، تجزیه و تحلیل مؤلفههای اصلی،
خوشهبندی و غیره است و عمدتاً بر اساس خطی بودن متغیرهای
مشاهدهشده است. در سالهای اخیر، دسترسی گسترده به رایانههای
سریع و ارزان، ما را قادر میسازد تا حجم عظیمی از دادهها را
با ساختار پیچیده و/یا دادههای با ابعاد بالا جمعآوری کنیم.
چنین انباشت داده ها نیز با توسعه و تکثیر فناوری های اندازه
گیری الکترونیکی و ابزار دقیق تسریع می شود. چنین مجموعه داده
هایی در زمینه های مختلف علم و صنعت، از جمله بیوانفورماتیک،
پزشکی، داروسازی، مهندسی سیستم ها، تشخیص الگو، علوم زمین و
محیط زیست، اقتصاد و بازاریابی به وجود می آیند. \"
"The aim of
statistical science is to develop the methodology and the
theory for extracting useful information from data and for
reasonable inference to elucidate phenomena with uncertainty
in various fields of the natural and social sciences. The
data contain information about the random phenomenon under
consideration and the objective of statistical analysis is to
express this information in an understandable form using
statistical procedures. We also make inferences about the
unknown aspects of random phenomena and seek an understanding
of causal relationships. Multivariate analysis refers to
techniques used to analyze data that arise from multiple
variables between which there are some relationships.
Multivariate analysis has been widely used for extracting
useful information and patterns from multivariate data and
for understanding the structure of random phenomena.
Techniques would include regression, discriminant analysis,
principal component analysis, clustering, etc., and are
mainly based on the linearity of observed variables. In
recent years, the wide availability of fast and inexpensive
computers enables us to accumulate a huge amount of data with
complex structure and/or high-dimensional data. Such data
accumulation is also accelerated by the development and
proliferation of electronic measurement and instrumentation
technologies. Such data sets arise in various fields of
science and industry, including bioinformatics, medicine,
pharmaceuticals, systems engineering, pattern recognition,
earth and environmental sciences, economics and marketing.
"-- Read
more...
Abstract: "Multivariate techniques are used to analyze data
that arise from more than one variable in which there are
relationships between the variables. Mainly based on the
linearity of observed variables, these techniques are useful
for extracting information and patterns from multivariate
data as well as for the understanding the structure of random
phenomena. This book describes the concepts of linear and
nonlinear multivariate techniques, including regression
modeling, classification, discrimination, dimension
reduction, and clustering"--
"The aim of statistical science is to develop the methodology and the theory for extracting useful information from data and for reasonable inference to elucidate phenomena with uncertainty in various fields of the natural and social sciences. The data contain information about the random phenomenon under consideration and the objective of statistical analysis is to express this information in an understandable form using statistical procedures. We also make inferences about the unknown aspects of random phenomena and seek an understanding of causal relationships. Multivariate analysis refers to techniques used to analyze data that arise from multiple variables between which there are some relationships. Multivariate analysis has been widely used for extracting useful information and patterns from multivariate data and for understanding the structure of random phenomena. Techniques would include regression, discriminant analysis, principal component analysis, clustering, etc., and are mainly based on the linearity of observed variables. In recent years, the wide availability of fast and inexpensive computers enables us to accumulate a huge amount of data with complex structure and/or high-dimensional data. Such data accumulation is also accelerated by the development and proliferation of electronic measurement and instrumentation technologies. Such data sets arise in various fields of science and industry, including bioinformatics, medicine, pharmaceuticals, systems engineering, pattern recognition, earth and environmental sciences, economics and marketing. "
Content: Introduction Regression Modeling Classification and Discrimination Dimension Reduction Clustering Linear Regression Models Relationship between Two Variables Relationships Involving Multiple Variables Regularization Nonlinear Regression Models Modeling Phenomena Modeling by Basis Functions Basis Expansions Regularization Logistic Regression Models Risk Prediction Models Multiple Risk Factor Models Nonlinear Logistic Regression Models Model Evaluation and Selection Criteria Based on Prediction Errors Information Criteria Bayesian Model Evaluation Criterion Discriminant Analysis Fisher's Linear Discriminant Analysis Classification Based on Mahalanobis Distance Variable Selection Canonical Discriminant Analysis Bayesian Classification Bayes' Theorem Classification with Gaussian Distributions Logistic Regression for Classification Support Vector Machines Separating Hyperplane Linearly Nonseparable Case From Linear to Nonlinear Principal Component Analysis Principal Components Image Compression and Decompression Singular Value Decomposition Kernel Principal Component Analysis Clustering Hierarchical Clustering Nonhierarchical Clustering Mixture Models for Clustering Appendix A: Bootstrap Methods Appendix B: Lagrange Multipliers Appendix C: EM Algorithm Bibliography Index