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
ویرایش: 1 نویسندگان: David D. Denison, Mark H. Hansen, Christopher C. Holmes, Bani Mallick, Bin Yu (auth.), David D. Denison, Mark H. Hansen, Christopher C. Holmes, Bani Mallick, Bin Yu (eds.) سری: Lecture Notes in Statistics 171 ISBN (شابک) : 9780387954714, 9780387215792 ناشر: Springer-Verlag New York سال نشر: 2003 تعداد صفحات: 465 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 مگابایت
کلمات کلیدی مربوط به کتاب تخمین و طبقه بندی غیرخطی: نظریه و روش های آماری
در صورت تبدیل فایل کتاب Nonlinear Estimation and Classification 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 تخمین و طبقه بندی غیرخطی 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.
محققان در بسیاری از رشتهها با وظیفه بزرگ تجزیه و تحلیل مقادیر انبوه دادههای با ابعاد بالا و ساختار یافته روبرو هستند. این تا حدی به دلیل پیشرفت های اخیر در جمع آوری داده ها و فناوری های محاسباتی است. در نتیجه، تحقیقات آماری بنیادی در زمینه های مختلف در حال انجام است. به دلیل پیچیدگی این مشکلات جدید، و با انفجار قدرت کامپیوتری موجود، رویههای بسیار سازگار و غیرخطی، اکنون اجزای ضروری «تحلیل دادهها» مدرن هستند، اصطلاحی که ما بهطور آزادانه آن را شامل گفتار و الگو تفسیر میکنیم. شناسایی، طبقه بندی، فشرده سازی داده ها و پردازش سیگنال. توسعه روشهای جدید و انعطافپذیر، پیشرفتهای بسیاری از منابع، از جمله نظریه تقریب، تحلیل عددی، یادگیری ماشین، پردازش سیگنال و آمار را ترکیب میکند. کارگاه پیشنهادی در نظر دارد متخصصان برجسته این حوزه ها را گرد هم آورد تا به تبادل نظر و ایجاد مسیرهایی برای آینده بپردازند.
Researchers in many disciplines face the formidable task of analyzing massive amounts of high-dimensional and highly-structured data. This is due in part to recent advances in data collection and computing technologies. As a result, fundamental statistical research is being undertaken in a variety of different fields. Driven by the complexity of these new problems, and fueled by the explosion of available computer power, highly adaptive, non-linear procedures are now essential components of modern "data analysis," a term that we liberally interpret to include speech and pattern recognition, classification, data compression and signal processing. The development of new, flexible methods combines advances from many sources, including approximation theory, numerical analysis, machine learning, signal processing and statistics. The proposed workshop intends to bring together eminent experts from these fields in order to exchange ideas and forge directions for the future.
Front Matter....Pages N2-vii
Introduction....Pages 1-5
Front Matter....Pages 7-7
Wavelet Statistical Models and Besov Spaces....Pages 9-29
Coarse-to-Fine Classification and Scene Labeling....Pages 31-48
Environmental Monitoring Using a Time Series of Satellite Images and Other Spatial Data Sets....Pages 49-62
Traffic Flow on a Freeway Network....Pages 63-81
Internet Traffic Tends Toward Poisson and Independent as the Load Increases....Pages 83-109
Regression and Classification with Regularization....Pages 111-128
Optimal Properties and Adaptive Tuning of Standard and Nonstandard Support Vector Machines....Pages 129-147
The Boosting Approach to Machine Learning: An Overview....Pages 149-171
Improved Class Probability Estimates from Decision Tree Models....Pages 173-188
Gauss Mixture Quantization: Clustering Gauss Mixtures....Pages 189-212
Extended Linear Modeling with Splines....Pages 213-233
Front Matter....Pages 235-235
Adaptive Sparse Regression....Pages 237-247
Multiscale Statistical Models....Pages 249-259
Wavelet Thresholding on Non-Equispaced Data....Pages 261-271
Multi-Resolution Properties of Semi-Parametric Volatility Models....Pages 273-284
Confidence Intervals for Logspline Density Estimation....Pages 285-295
Mixed-Effects Multivariate Adaptive Splines Models....Pages 297-306
Statistical Inference for Simultaneous Clustering of Gene Expression Data....Pages 307-321
Statistical Inference for Clustering Microarrays....Pages 323-332
Front Matter....Pages 235-235
Logic Regression — Methods and Software....Pages 333-343
Adaptive Kernels for Support Vector Classification....Pages 345-356
Generalization Error Bounds for Aggregate Classifiers....Pages 357-367
Risk Bounds for CART Regression Trees....Pages 369-379
On Adaptive Estimation by Neural Net Type Estimators....Pages 381-392
Nonlinear Function Learning and Classification Using RBF Networks with Optimal Kernels....Pages 393-404
Instability in Nonlinear Estimation and Classification: Examples of a General Pattern....Pages 405-415
Model Complexity and Model Priors....Pages 417-427
A Strategy for Compression and Analysis of Very Large Remote Sensing Data Sets....Pages 429-441
Targeted Clustering of Nonlinearly Transformed Gaussians....Pages 443-452
Unsupervised Learning of Curved Manifolds....Pages 453-465
ANOVA DDP Models: A Review....Pages 467-474
Back Matter....Pages 475-477