دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Machine learning in medicine
دانلود کتاب یادگیری ماشینی در پزشکی
مشخصات کتاب
Machine learning in medicine
ویرایش: نویسندگان: Cleophas. Ton J. M., Zwinderman. Aeilko H سری: ISBN (شابک) : 9789400758230, 9789400768864 ناشر: Springer سال نشر: 2013 تعداد صفحات: 271 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 32,000
کلمات کلیدی مربوط به کتاب یادگیری ماشینی در پزشکی: هوش مصنوعی، زیست پزشکی، علوم زیست پزشکی، روش های محاسباتی، حشره شناسی، حشره شناسی، سواد، پزشکی، پزشکی (عمومی)، انفورماتیک، علم اطلاعات، سوادآموزی، یادگیری ماشین، بینایی ماشین، انفورماتیک پزشکی، پزشکی، پردازش پزشکی، پزشکی-D عمومی)، تشخیص الگو، تشخیص الگو، سلامت عمومی، آمار، آمار، بهداشت عمومی، کتاب های الکترونیکی، پزشکی -- پردازش داده ها
در صورت تبدیل فایل کتاب Machine learning in medicine 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 یادگیری ماشینی در پزشکی 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 یادگیری ماشینی در پزشکی
V.1. مقدمه‌ای بر یادگیری ماشین - رگرسیون لجستیک برای پروفایل سلامت - مقیاس‌بندی بهینه: گسسته‌سازی - مقیاس‌بندی بهینه: منظم‌سازی شامل رگرسیون خالص، کمند و رگرسیون خالص الاستیک - همبستگی‌های جزئی - مدل‌های خطی مختلط - تقسیم‌بندی باینری - مدل‌سازی پاسخ آیتم - مدل‌سازی پیش‌بینی‌کننده وابسته به زمان - ارزیابی فصلی - مدل‌سازی غیرخطی - هوش مصنوعی، مدل‌سازی پرسپترون چندلایه - هوش مصنوعی، توابع پایه شعاعی - تحلیل عاملی - تحلیل خوشه‌ای سلسله مراتبی برای داده‌های بدون نظارت - حداقل مربعات جزئی -- تجزیه و تحلیل متمایز برای داده های نظارت شده -- رگرسیون متعارف -- مدل سازی فازی -- نتیجه گیری -- ؛ "یادگیری ماشینی یک رشته جدید است که به تجزیه و تحلیل داده های متغیرهای بزرگ و چندگانه می پردازد. شامل روش های محاسباتی فشرده مانند تحلیل عاملی، تجزیه و تحلیل خوشه ای و تجزیه و تحلیل متمایز در حال حاضر عمدتاً در حوزه دانشمندان رایانه است و در حال حاضر معمولاً در علوم اجتماعی، تحقیقات بازاریابی، تحقیقات عملیاتی و علوم کاربردی استفاده می شود. این عملاً در تحقیقات بالینی استفاده نمی شود. این احتمالاً به دلیل اعتقاد سنتی پزشکان در کارآزمایی‌های بالینی است که در آن متغیرهای متعدد به طور مساوی توسط فرآیند تصادفی‌سازی متعادل می‌شوند و بیشتر در نظر گرفته نمی‌شوند. در مقابل، فایل‌های داده‌های رایانه‌ای مدرن اغلب شامل صدها متغیر مانند ژن‌ها و سایر مقادیر آزمایشگاهی می‌شوند و روش‌های محاسباتی فشرده مورد نیاز است. این کتاب به‌عنوان یک ارائه دستی در دسترس پزشکان نوشته شده است، و به‌عنوان یک نشریه ضروری برای کسانی که تازه به این روش‌ها آشنایی دارند، نوشته شده است\"--شرح ناشر.;v. حداقل مربعات -- القای چندگانه -- تجزیه و تحلیل باتاچاریا -- ارزیابی های کیفیت زندگی (QOL) با نسبت شانس -- رگرسیون لجستیک برای ارزیابی تست های تشخیصی جدید در مقابل کنترل -- اعتبار سنجی نقاط پایانی جایگزین -- خوشه بندی دو بعدی -- خوشه بندی چند بعدی -- تشخیص ناهنجاری -- تجزیه و تحلیل قوانین انجمن -- مقیاس بندی چند بعدی -- تجزیه و تحلیل متناظر -- تجزیه و تحلیل چند متغیره سری های زمانی -- ماشین های بردار پشتیبانی -- شبکه های بیزی -- استخراج پروتئین و توالی DNA -- تکنیک های متوالی متوالی -- تجزیه و تحلیل موجک گسسته -- یادگیری ماشینی و عقل سلیم.; v. 3. مقدمه ای بر یادگیری ماشین قسمت سوم -- عملیات تکاملی -- درمان های متعدد -- نقاط پایانی چندگانه -- باینینگ بهینه -- مقادیر p دقیق -- رگرسیون پروبیت -- پراکندگی بیش از حد -- اثرات تصادفی -- حداقل مربعات وزنی -- مجموعه های پاسخ چندگانه -- نمونه های پیچیده -- آزمایش های اجرا شده -- درخت های تصمیم گیری -- نمودارهای طیفی -- روش های نیوتن -- فرآیندهای تصادفی، زنجیره های مارکوف ثابت -- فرآیندهای تصادفی، جذب زنجیره های مارکوف -- مدل های مشترک -- یادگیری ماشینی و سوالات حل نشده.
توضیحاتی درمورد کتاب به خارجی
V.1. Introduction to machine learning -- Logistic regression for health profiling -- Optimal scaling: discretization -- Optimal scaling: regulaization including ridge, lasso, and elastic net regression -- Partial correlations -- Mixed linear models -- Binary partitioning -- Item response modeling -- Time-dependent predictor modeling -- Seasonality assessments -- Non-linear modeling -- Artificial intelligence, multilayer perceptron modeling -- Artificial intelligence, radial basis functions -- Factor analysis -- Hierarchical cluster analysis for unsupervised data -- Partial least squares -- Discriminant analysis for supervised data -- Canonical regression -- Fuzzy modeling -- Conclusions--;"Machine learning is a novel discipline concerned with the analysis of large and multiple variables data. It involves computationally intensive methods, like factor analysis, cluster analysis, and discriminant analysis. It is currently mainly the domain of computer scientists, and is already commonly used in social sciences, marketing research, operational research and applied sciences. It is virtually unused in clinical research. This is probably due to the traditional belief of clinicians in clinical trials where multiple variables are equally balanced by the randomization process and are not further taken into account. In contrast, modern computer data files often involve hundreds of variables like genes and other laboratory values, and computationally intensive methods are required. This book was written as a hand-hold presentation accessible to clinicians, and as a must-read publication for those new to the methods"--Publisher's description.;v. 2. Introduction to machine learning part two -- Two-stage least squares -- Multiple imputations -- Bhattacharya analysis -- Quality-of-life (QOL) assessments with odds ratios -- Logistic regression for assessing novel diagnostic tests against control -- validating surrogate endpoints -- Two-dimensional clustering -- Multidimensional clustering -- Anomaly detection -- Association rule analysis -- Multidimensional scaling -- Correspondence analysis -- Multivariate analysis of time series -- Support vector machines -- Bayesian networks -- Protein and DNA sequence mining -- Continuous sequential techniques -- Discrete wavelet analysis -- Machine learning and common sense.;v. 3. Introduction to Machine learning part three -- Evolutionary operations -- Multiple treatments -- Multiple endpoints -- Optimal binning -- Exact p-values -- Probit regression -- Over-dispersion -- Random effects -- Weighted least squares -- Multiple response sets -- Complex samples -- Runs tests -- Decision trees -- Spectral plots -- Newton's methods -- Stochastic processes, stationary Markov chains -- Stochastic processes, absorbing Markov chains -- Conjoint models -- Machine learning and unsolved questions.
فهرست مطالب
Front Matter....Pages i-xv
Introduction to Machine Learning....Pages 1-15
Logistic Regression for Health Profiling....Pages 17-24
Optimal Scaling: Discretization....Pages 25-38
Optimal Scaling: Regularization Including Ridge, Lasso, and Elastic Net Regression....Pages 39-53
Partial Correlations....Pages 55-64
Mixed Linear Models....Pages 65-77
Binary Partitioning....Pages 79-86
Item Response Modeling....Pages 87-98
Time-Dependent Predictor Modeling....Pages 99-111
Seasonality Assessments....Pages 113-126
Non-linear Modeling....Pages 127-143
Artificial Intelligence, Multilayer Perceptron Modeling....Pages 145-156
Artificial Intelligence, Radial Basis Functions....Pages 157-166
Factor Analysis....Pages 167-181
Hierarchical Cluster Analysis for Unsupervised Data....Pages 183-195
Partial Least Squares....Pages 197-213
Discriminant Analysis for Supervised Data....Pages 215-224
Canonical Regression....Pages 225-240
Fuzzy Modeling....Pages 241-253
Conclusions....Pages 255-257
Back Matter....Pages 259-265
