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: 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
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.
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.
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.