دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Model-Based Clustering and Classification for Data Science: With Applications in R
دانلود کتاب خوشه‌بندی و طبقه‌بندی مبتنی بر مدل برای علم داده: با برنامه‌های کاربردی در R
مشخصات کتاب
Model-Based Clustering and Classification for Data Science: With Applications in R
ویرایش: نویسندگان: Charles Bouveyron, Gilles Celeux, T. Brendan Murphy, Adrian E. Raftery سری: Cambridge Series in Statistical and Probabilistic Mathematics ISBN (شابک) : 110849420X, 9781108494205 ناشر: Cambridge University Press سال نشر: 2019 تعداد صفحات: 447 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 41 مگابایت
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Model-Based Clustering and Classification for Data Science: With Applications in R 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 خوشه‌بندی و طبقه‌بندی مبتنی بر مدل برای علم داده: با برنامه‌های کاربردی در R 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 خوشه‌بندی و طبقه‌بندی مبتنی بر مدل برای علم داده: با برنامه‌های کاربردی در R
تجزیه و تحلیل خوشه ای به طور خودکار گروه ها را در داده ها پیدا می کند. بیشتر روش‌ها اکتشافی بوده‌اند و سؤالات محوری مانند: چند خوشه وجود دارد را باز می‌گذارند؟ از کدام روش استفاده کنم؟ چگونه باید با موارد پرت برخورد کنم؟ طبقه‌بندی مشاهدات جدید را به گروه‌هایی که مشاهدات طبقه‌بندی‌شده قبلی داده‌اند اختصاص می‌دهد، و همچنین سؤالات باز در مورد تنظیم پارامتر، استحکام و ارزیابی عدم قطعیت دارد. این کتاب تجزیه و تحلیل و طبقه‌بندی خوشه‌ای را بر اساس مدل‌های آماری چارچوب‌بندی می‌کند، بنابراین تخمین اصولی، روش‌های آزمایش و پیش‌بینی و پاسخ‌های صحیح به سؤالات اصلی به دست می‌آید. ایده های اساسی را به روشی قابل دسترس اما دقیق، با نمونه های داده گسترده و کد R ایجاد می کند. رویکردهای مدرن برای داده ها و شبکه های با ابعاد بالا را توصیف می کند. و پیشرفت‌های اخیر مانند منظم‌سازی بیزی، خوشه‌بندی مبتنی بر مدل غیر گاوسی، ادغام خوشه‌ها، انتخاب متغیر، طبقه‌بندی نیمه‌نظارت‌شده و قوی، خوشه‌بندی داده‌های عملکردی، متن و تصاویر، و هم‌خوشه‌بندی را توضیح می‌دهد. این کتاب برای دانشجویان پیشرفته در علوم داده و همچنین محققان و پزشکان نوشته شده است و دانش پایه را در مورد حساب چند متغیره، جبر خطی، احتمال و آمار در نظر گرفته است.
توضیحاتی درمورد کتاب به خارجی
Cluster analysis finds groups in data automatically. Most methods have been heuristic and leave open such central questions as: how many clusters are there? Which method should I use? How should I handle outliers? Classification assigns new observations to groups given previously classified observations, and also has open questions about parameter tuning, robustness and uncertainty assessment. This book frames cluster analysis and classification in terms of statistical models, thus yielding principled estimation, testing and prediction methods, and sound answers to the central questions. It builds the basic ideas in an accessible but rigorous way, with extensive data examples and R code; describes modern approaches to high-dimensional data and networks; and explains such recent advances as Bayesian regularization, non-Gaussian model-based clustering, cluster merging, variable selection, semi-supervised and robust classification, clustering of functional data, text and images, and co-clustering. Written for advanced undergraduates in data science, as well as researchers and practitioners, it assumes basic knowledge of multivariate calculus, linear algebra, probability and statistics.
فهرست مطالب
Cover Front Matter CAMBRIDGE SERIES IN STATISTICAL AND PROBABILISTIC MATHEMATICS Model-Based Clustering and Classification for Data Science: With Applications in R Copyright Dedication Contents Expanded Contents Preface Acknowledgements 1 Introduction 2 Model-based Clustering: Basic Ideas 3 Dealing with Difficulties 4 Model-based Classification 5 Semi-supervised Clustering and Classification 6 Discrete Data Clustering 7 Variable Selection 8 High-dimensional Data 9 Non-Gaussian Model-based Clustering 10 Network Data 11 Model-based Clustering with Covariates 12 Other Topics List of R Packages Bibliography Author Index Subject Index
