دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Modern Statistics: A Computer-Based Approach with Python
دانلود کتاب آمار مدرن: رویکردی مبتنی بر رایانه با پایتون
مشخصات کتاب
Modern Statistics: A Computer-Based Approach with Python
ویرایش: نویسندگان: Ron S. Kenett, Shelemyahu Zacks, Peter Gedeck سری: Statistics for Industry, Technology, and Engineering ISBN (شابک) : 303107565X, 9783031075650 ناشر: Birkhäuser سال نشر: 2022 تعداد صفحات: 452 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 Mb
قیمت کتاب (تومان) : 36,000
در صورت تبدیل فایل کتاب Modern Statistics: A Computer-Based Approach with Python 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 آمار مدرن: رویکردی مبتنی بر رایانه با پایتون 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 آمار مدرن: رویکردی مبتنی بر رایانه با پایتون
این کتاب درسی ابتکاری مطالبی را برای دوره‌ای درباره آمار
مدرن ارائه می‌کند که پایتون را به عنوان یک منبع آموزشی و عملی
ترکیب می‌کند. نویسندگان با تکیه بر سال‌ها تدریس و انجام تحقیقات
در محیط‌های مختلف کاربردی و صنعتی، متن را به دقت تنظیم کرده‌اند
تا تعادل ایده‌آلی بین تئوری و کاربردهای عملی فراهم شود. مثال‌ها
و مطالعات موردی متعددی در سرتاسر گنجانده شده‌اند، و برنامه‌های
جامع پایتون با جزئیات نشان داده شده‌اند. یک بسته پایتون سفارشی
برای دانلود در دسترس است، که به دانش‌آموزان امکان می‌دهد این
مثال‌ها را بازتولید کنند و موارد دیگر را کاوش کنند.
فصل‌های اول متن بر تحلیل متغیرها، مدل‌های احتمال و توابع توزیع
تمرکز دارد. در مرحله بعد، نویسندگان استنتاج آماری و راه‌اندازی،
و تنوع در چندین بعد و مدل‌های رگرسیونی را معرفی می‌کنند. سپس
متن به نمونه‌برداری برای تخمین مقادیر محدود جمعیت و تحلیل و
پیش‌بینی سری‌های زمانی ادامه می‌دهد و با دو فصل در مورد روش‌های
مدرن تحلیل داده‌ها به پایان می‌رسد. هر فصل شامل تمرین‌ها،
مجموعه داده‌ها و برنامه‌های کاربردی برای تکمیل یادگیری
است.
آمار مدرن: رویکرد مبتنی بر رایانه با
پایتون برای یک یا دو مورد در نظر گرفته شده
است. ترم پیشرفته دوره کارشناسی یا کارشناسی ارشد. به دلیل ماهیت
بنیادی متن، می توان آن را با هر برنامه ای که نیاز به تجزیه و
تحلیل داده ها در برنامه درسی خود دارد، مانند دوره های علوم
داده، آمار صنعتی، علوم فیزیکی و اجتماعی و مهندسی ترکیب کرد.
محققان، پزشکان و دانشمندان داده همچنین با برنامه‌های کاربردی و
مطالعات موردی متعددی که گنجانده شده‌اند، آن را منبع مفیدی
می‌دانند.
دومین کتاب درسی بسیار مرتبط با عنوان آمار
صنعتی: رویکرد مبتنی بر رایانه با پایتون است.
موضوعاتی مانند کنترل فرآیند آماری، از جمله روش‌های چند متغیره،
طراحی آزمایش‌ها، از جمله آزمایش‌های کامپیوتری و روش‌های قابلیت
اطمینان، از جمله قابلیت اطمینان بیزی را پوشش می‌دهد. این متون
را می توان به طور مستقل یا برای دوره های متوالی استفاده
کرد.
بسته پایتون mistat را می توان در
https://gedeck.github.io/mistat-code- مشاهده کرد.
Solutions/ModernStatistics/
\"در این کتاب در مورد آمار مدرن، دو
فصل آخر در مورد روش های تحلیلی مدرن شامل مواردی است که در حال
حاضر بسیار محبوب است، به ویژه در ماشین. یادگیری، مانند
طبقه‌بندی‌کننده‌ها، روش‌های خوشه‌بندی و تجزیه و تحلیل متن. اما
از فصل‌های قبلی نیز قدردانی می‌کنم، زیرا معتقدم افرادی که از
روش‌های یادگیری ماشینی استفاده می‌کنند باید بدانند که به شدت به
روش‌های آماری متکی هستند. با توجه به تجربه طولانی نویسندگان.
آنها برای درک بهتر و سپس به کارگیری روش های ارائه شده در کتاب
بسیار مفید هستند. استفاده از Python با بهترین تجربه برنامه
نویسی در حال حاضر مطابقت دارد. به همه این دلایل، فکر می کنم
کتاب همچنین دارای آینده ای درخشان و تاثیرگذار است و من
نویسندگان را به خاطر آن تحسین می کنم.\"
پروفسور فابریزیو روگری مدیر پژوهش در شورای ملی تحقیقات ایتالیا
رئیس انجمن بین المللی آمار تجاری و صنعتی (ISBIS) سردبیر مدل های
تصادفی کاربردی در تجارت و صنعت (ASMBI)
توضیحاتی درمورد کتاب به خارجی
This innovative textbook presents material for a course
on modern statistics that incorporates Python as a pedagogical
and practical resource. Drawing on many years of teaching and
conducting research in various applied and industrial settings,
the authors have carefully tailored the text to provide an
ideal balance of theory and practical applications.
Numerous examples and case studies are incorporated throughout,
and comprehensive Python applications are illustrated in
detail. A custom Python package is available for
download, allowing students to reproduce these examples and
explore others.
The first chapters of the text focus on analyzing variability,
probability models, and distribution functions. Next, the
authors introduce statistical inference and bootstrapping, and
variability in several dimensions and regression models. The
text then goes on to cover sampling for estimation of finite
population quantities and time series analysis and prediction,
concluding with two chapters on modern data analytic methods.
Each chapter includes exercises, data sets, and applications to
supplement learning.
Modern Statistics: A
Computer-Based Approach with Python is
intended for a one- or two-semester advanced undergraduate or
graduate course. Because of the foundational nature of the
text, it can be combined with any program requiring data
analysis in its curriculum, such as courses on data science,
industrial statistics, physical and social sciences, and
engineering. Researchers, practitioners, and data
scientists will also find it to be a useful resource with the
numerous applications and case studies that are
included.
A second, closely related textbook is
titled Industrial Statistics: A
Computer-Based Approach with Python. It covers
topics such as statistical process control, including
multivariate methods, the design of experiments, including
computer experiments and reliability methods, including
Bayesian reliability. These texts can be used independently or
for consecutive courses.
The mistat Python package can be
accessed at
https://gedeck.github.io/mistat-code-solutions/ModernStatistics/
"In this book on Modern Statistics,
the last two chapters on modern analytic methods contain what
is very popular at the moment, especially in Machine Learning,
such as classifiers, clustering methods and text analytics. But
I also appreciate the previous chapters since I believe that
people using machine learning methods should be aware that they
rely heavily on statistical ones. I very much appreciate the
many worked out cases, based on the longstanding experience of
the authors. They are very useful to better understand, and
then apply, the methods presented in the book. The use of
Python corresponds to the best programming experience nowadays.
For all these reasons, I think the book has also a brilliant
and impactful future and I commend the authors for that."
Professor Fabrizio RuggeriResearch Director at the National
Research Council, ItalyPresident of the International Society
for Business and Industrial Statistics (ISBIS)Editor-in-Chief
of Applied Stochastic Models in Business and Industry
(ASMBI)
فهرست مطالب
1 Preface Contents Industrial Statistics: A Computer-Based Approach with Python (Companion volume) List of Abbreviations 978-3-031-07566-7_1 1 Analyzing Variability: Descriptive Statistics 1.1 Random Phenomena and the Structure of Observations 1.2 Accuracy and Precision of Measurements 1.3 The Population and the Sample 1.4 Descriptive Analysis of Sample Values 1.4.1 Frequency Distributions of Discrete Random Variables 1.4.2 Frequency Distributions of Continuous RandomVariables 1.4.3 Statistics of the Ordered Sample 1.4.4 Statistics of Location and Dispersion 1.5 Prediction Intervals 1.6 Additional Techniques of Exploratory Data Analysis 1.6.1 Density Plots 1.6.2 Box and Whiskers Plots 1.6.3 Quantile Plots 1.6.4 Stem-and-Leaf Diagrams 1.6.5 Robust Statistics for Location and Dispersion 1.7 Chapter Highlights 1.8 Exercises 978-3-031-07566-7_2 2 Probability Models and Distribution Functions 2.1 Basic Probability 2.1.1 Events and Sample Spaces: Formal Presentation of Random Measurements 2.1.2 Basic Rules of Operations with Events: Unions and Intersections 2.1.3 Probabilities of Events 2.1.4 Probability Functions for Random Sampling 2.1.5 Conditional Probabilities and Independence of Events 2.1.6 Bayes\' Theorem and Its Application 2.2 Random Variables and Their Distributions 2.2.1 Discrete and Continuous Distributions 2.2.1.1 Discrete Random Variables 2.2.1.2 Continuous Random Variables 2.2.2 Expected Values and Moments of Distributions 2.2.3 The Standard Deviation, Quantiles, Measures of Skewness, and Kurtosis 2.2.4 Moment Generating Functions 2.3 Families of Discrete Distribution 2.3.1 The Binomial Distribution 2.3.2 The Hypergeometric Distribution 2.3.3 The Poisson Distribution 2.3.4 The Geometric and Negative Binomial Distributions 2.4 Continuous Distributions 2.4.1 The Uniform Distribution on the Interval (a,b), a
