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: ریاضیات ویرایش: 1 نویسندگان: Alan J. Izenman (auth.) سری: Springer Texts in Statistics ISBN (شابک) : 9780387781884, 9780387781891 ناشر: Springer-Verlag New York سال نشر: 2008 تعداد صفحات: 756 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
کلمات کلیدی مربوط به کتاب تکنیک های آماری چند متغیره مدرن: رگرسیون ، طبقه بندی ، و یادگیری چند برابر: نظریه و روش های آماری، احتمال و آمار در علوم کامپیوتر، داده کاوی و کشف دانش، تشخیص الگو، زیست شناسی محاسباتی/بیوانفورماتیک، پردازش سیگنال، تصویر و گفتار
در صورت تبدیل فایل کتاب Modern multivariate statistical techniques: Regression, classification, and manifold learning 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 تکنیک های آماری چند متغیره مدرن: رگرسیون ، طبقه بندی ، و یادگیری چند برابر 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.
پیشرفتهای چشمگیر در محاسبات و ذخیرهسازی دادهها و در دسترس بودن آماده مجموعه دادههای عظیم، کلید رشد رشتههای جدید دادهکاوی و یادگیری ماشین بوده است، در حالی که موفقیت عظیم پروژه ژنوم انسانی باز شده است. در زمینه بیوانفورماتیک
این تحولات هیجان انگیز که منجر به معرفی بسیاری از ابزارهای آماری نوآورانه برای تجزیه و تحلیل داده های با ابعاد بالا شد، در اینجا به تفصیل شرح داده شده است. نویسنده دیدگاه گسترده ای دارد. برای اولین بار در کتابی در مورد تجزیه و تحلیل چند متغیره، روش های غیرخطی به طور مفصل و همچنین روش های خطی مورد بحث قرار گرفته است. تکنیک های تحت پوشش طیف وسیعی از روش های سنتی چند متغیره، مانند رگرسیون چندگانه، مولفه های اصلی، متغیرهای متعارف، تجزیه و تحلیل متمایز خطی، تحلیل عاملی، خوشه بندی، مقیاس بندی چند بعدی و تجزیه و تحلیل متناظر تا روش های جدیدتر تخمین چگالی، پیگیری طرح ریزی، شبکه های عصبی، چند متغیره را شامل می شود. رگرسیون کاهش رتبه، یادگیری منیفولد غیرخطی، بسته بندی، تقویت، جنگل های تصادفی، تجزیه و تحلیل اجزای مستقل، ماشین های بردار پشتیبان، و طبقه بندی و درختان رگرسیون. یکی دیگر از ویژگی های منحصر به فرد این کتاب بحث سیستم های مدیریت پایگاه داده است.
این کتاب برای دانشجویان پیشرفته مقطع کارشناسی، دانشجویان کارشناسی ارشد و محققان در آمار، علوم کامپیوتر، هوش مصنوعی، روانشناسی، علوم شناختی، تجارت، پزشکی، بیوانفورماتیک و مهندسی مناسب است. آشنایی با حساب چند متغیره، جبر خطی و احتمال و آمار الزامی است. این کتاب ترکیبی از تئوری و کاربردها و تکنیکهای آماری چند متغیره کلاسیک و مدرن از جمله روشهای بیزی را ارائه میکند. بیش از 60 مجموعه داده جالب به عنوان مثال در کتاب، بیش از 200 تمرین، و بسیاری از تصاویر و عکس های رنگی وجود دارد.
آلن جی. ایزنمن، استاد آمار و مدیر مرکز علوم آماری و اطلاعاتی در دانشگاه تمپل است. او همچنین در دانشکده های دانشگاه تل آویو و دانشگاه ایالتی کلرادو حضور داشته است و قرار ملاقات هایی در دانشگاه شیکاگو، دانشگاه مینه سوتا، دانشگاه استنفورد و دانشگاه ادینبورگ داشته است. او به عنوان مدیر برنامه آمار و احتمالات در بنیاد ملی علوم خدمت کرد و رئیس برنامه سمپوزیوم رابط در علوم کامپیوتر و آمار در سال 2007 با موضوع کنفرانس زیست شناسی سیستم ها بود. او عضو انجمن آمار آمریکا است.
Remarkable advances in computation and data storage and the ready availability of huge data sets have been the keys to the growth of the new disciplines of data mining and machine learning, while the enormous success of the Human Genome Project has opened up the field of bioinformatics.
These exciting developments, which led to the introduction of many innovative statistical tools for high-dimensional data analysis, are described here in detail. The author takes a broad perspective; for the first time in a book on multivariate analysis, nonlinear methods are discussed in detail as well as linear methods. Techniques covered range from traditional multivariate methods, such as multiple regression, principal components, canonical variates, linear discriminant analysis, factor analysis, clustering, multidimensional scaling, and correspondence analysis, to the newer methods of density estimation, projection pursuit, neural networks, multivariate reduced-rank regression, nonlinear manifold learning, bagging, boosting, random forests, independent component analysis, support vector machines, and classification and regression trees. Another unique feature of this book is the discussion of database management systems.
This book is appropriate for advanced undergraduate students, graduate students, and researchers in statistics, computer science, artificial intelligence, psychology, cognitive sciences, business, medicine, bioinformatics, and engineering. Familiarity with multivariable calculus, linear algebra, and probability and statistics is required. The book presents a carefully-integrated mixture of theory and applications, and of classical and modern multivariate statistical techniques, including Bayesian methods. There are over 60 interesting data sets used as examples in the book, over 200 exercises, and many color illustrations and photographs.
Alan J. Izenman is Professor of Statistics and Director of the Center for Statistical and Information Science at Temple University. He has also been on the faculties of Tel-Aviv University and Colorado State University, and has held visiting appointments at the University of Chicago, the University of Minnesota, Stanford University, and the University of Edinburgh. He served as Program Director of Statistics and Probability at the National Science Foundation and was Program Chair of the 2007 Interface Symposium on Computer Science and Statistics with conference theme of Systems Biology. He is a Fellow of the American Statistical Association.
Front Matter....Pages i-xxv
Introduction and Preview....Pages 1-16
Data and Databases....Pages 17-44
Random Vectors and Matrices....Pages 45-74
Nonparametric Density Estimation....Pages 75-106
Model Assessment and Selection in Multiple Regression....Pages 107-158
Multivariate Regression....Pages 159-194
Linear Dimensionality Reduction....Pages 195-236
Linear Discriminant Analysis....Pages 237-280
Recursive Partitioning and Tree-Based Methods....Pages 281-314
Artificial Neural Networks....Pages 315-368
Support Vector Machines....Pages 369-406
Cluster Analysis....Pages 407-462
Multidimensional Scaling and Distance Geometry....Pages 463-504
Committee Machines....Pages 505-550
Latent Variable Models for Blind Source Separation....Pages 551-596
Nonlinear Dimensionality Reduction and Manifold Learning....Pages 597-632
Correspondence Analysis....Pages 633-666
Back Matter....Pages 667-733