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. Aufl.]
نویسندگان: Marlis von der Hude
سری:
ISBN (شابک) : 9783658301521, 9783658301538
ناشر: Springer Fachmedien Wiesbaden;Springer Vieweg
سال نشر: 2020
تعداد صفحات: XI, 224
[221]
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Predictive Analytics und Data Mining : Eine Einführung mit 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 تجزیه و تحلیل پیش بینی و داده کاوی: مقدمه ای با 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.
این کتاب مقدمه ای آسان برای موضوع داده کاوی و روش های تحلیل پیش بینی ارائه می دهد. به عنوان مجموعه ای از روش ها تصور می شود، ابتدا شرح مختصری از نظریه برای هر روش ارائه می دهد و فرمول های لازم برای درک را توضیح می دهد. تصویری از هر رویه با کمک مثال هایی که با بسته برنامه R توسعه یافته اند، در ادامه می آید. در نهایت امکان ساده ای ارائه می شود که با استفاده از آن می توان مقادیر عملکرد روش های مختلف را با استفاده از ابزارهای آماری مقایسه کرد. در اینجا از تصاویر گرافیکی و فواصل اطمینان مناسب استفاده شده است. این کتاب از تئوری صرف نظر نمی کند، اما تا حد امکان تئوری کمتری را ارائه می دهد، اما تا آنجا که لازم است، آن را برای مطالعه و خودآموزی ایده آل می کند.
Dieses Buch bietet einen leicht verständlichen Einstieg in die Thematik des Data Minings und der Prädiktiven Analyseverfahren. Als Methodensammlung gedacht, bietet es zu jedem Verfahren zunächst eine kurze Darstellung der Theorie und erklärt die zum Verständnis notwendigen Formeln. Es folgt jeweils eine Illustration der Verfahren mit Hilfe von Beispielen, die mit dem Programmpaket R erarbeitet werden. Zum Abschluss wird eine einfache Möglichkeit präsentiert, mit der die Performancewerte verschiedener Verfahren mit statistischen Mitteln verglichen werden können. Zum Einsatz kommen hierbei geeignete Grafiken und Konfidenzintervalle.Das Buch verzichtet nicht auf Theorie, es präsentiert jedoch so wenig Theorie wie möglich, aber so viel wie nötig und ist somit optimal für Studium und Selbststudium geeignet.
Front Matter ....Pages I-XI
Data Science, Predictive Analytics oder einfach: – Datenanalyse – (Marlis von der Hude)....Pages 1-7
Front Matter ....Pages 9-9
Deskriptive Statistik/Explorative Datenanalyse – mit einer kurzen Einführung in R (Marlis von der Hude)....Pages 11-32
Korrelation (Marlis von der Hude)....Pages 33-40
Front Matter ....Pages 43-43
Distanzen zwischen Objekten (Marlis von der Hude)....Pages 43-48
Clusteranalyse (Marlis von der Hude)....Pages 49-79
Front Matter ....Pages 83-83
Dimensionsreduktion – Hauptkomponentenanalyse englisch: principal components (PCA) (Marlis von der Hude)....Pages 83-92
Front Matter ....Pages 95-95
Prädiktive Verfahren: Klassifikation und Regression (Marlis von der Hude)....Pages 95-97
k-nächste Nachbarn (k nearest neighbours) (Marlis von der Hude)....Pages 99-106
Regressionsanalyse – Ein klassisches Verfahren der Statistik (Marlis von der Hude)....Pages 107-123
Logistische Regression – Ein Prognoseverfahren für die Klassifikationsfragestellung (Marlis von der Hude)....Pages 125-135
Klassifikations- und Regressionsbäume (Trees) (Marlis von der Hude)....Pages 137-169
Naives Bayes-Klassifikationsverfahren (Marlis von der Hude)....Pages 171-177
Support-Vector-Machines (Marlis von der Hude)....Pages 179-199
Neuronale Netze (Marlis von der Hude)....Pages 201-210
Empirischer Vergleich der Performance verschiedener Klassifikationsverfahren (Marlis von der Hude)....Pages 211-218
Back Matter ....Pages 219-224