برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to Nonparametric Regression

دانلود کتاب آشنایی با رگرسیون غیرپارامتری

مشخصات کتاب

Introduction to Nonparametric Regression

دسته بندی: احتمال
ویرایش: 1 
نویسندگان: K. Takezawa  
سری: Wiley series in probability and statistics 
ISBN (شابک) : 0471745839, 9780471745839 
ناشر: Wiley-Interscience 
سال نشر: 2006 
تعداد صفحات: 557 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت

قیمت کتاب (تومان) : 33,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 8

در صورت تبدیل فایل کتاب Introduction to Nonparametric Regression 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 آشنایی با رگرسیون غیرپارامتری 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 آشنایی با رگرسیون غیرپارامتری

این متن که برای دوره های کارشناسی و کارشناسی ارشد نوشته شده است، رویکردی گام به گام دارد و فرض می کند دانش آموزان فقط دانش پایه ای از جبر خطی و آمار دارند. بنابراین توضیحات از ریاضیات پیچیده و تئوری انتزاعی بیش از حد اجتناب می‌کنند و حتی اطلاعات آماری با مثال‌های عددی واضح همراه است و معادلات در تمام طول فرآیند توضیح داده می‌شوند. موضوعات شامل هموارسازی داده‌ها با پیش‌بینی‌کننده equispaced، رگرسیون ناپارامتری برای یک پیش‌بینی‌کننده یک بعدی، هموارسازی چند بعدی، رگرسیون ناپارامتریک با پیش‌بینی‌کننده‌هایی که به‌عنوان توزیع نشان داده می‌شوند، هموارسازی هیستوگرام‌ها و توابع چگالی احتمال ناپارامتریک و تشخیص الگو هستند. هر فصل شامل تمریناتی است.

توضیحاتی درمورد کتاب به خارجی

Written for undergraduate and graduate courses, this text takes a step-by-step approach and assumes students have only a basic knowledge of linear algebra and statistics. The explanations therefore avoid complex mathematics and excessive abstract theory, and even statistical information is accompanied by clear numerical examples and equations are explained all the way through the process. Topics include smoothing out data with an equispaced predictor, nonparametric regression for a one-dimensional predictor, multidimensional smoothing, nonparametric regression with predictors represented as distributions, smoothing of histograms and nonparametric probability density functions and pattern recognition. Each chapter includes exercises.