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: 2
نویسندگان: Kattamuri S. Sarma
سری:
ISBN (شابک) : 1607647672, 9781607647676
ناشر: SAS Institute
سال نشر: 2013
تعداد صفحات: 550
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 29 مگابایت
در صورت تبدیل فایل کتاب Predictive Modeling with SAS Enterprise Miner: Practical Solutions for Business Applications 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 مدل سازی پیش بینی با SAS Enterprise Miner: راه حل های عملی برای برنامه های تجاری 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.
با استفاده از SAS Enterprise Miner، نظریه و روشهای مدلسازی
پیشبینیکننده را بیاموزید.
نحوه تولید مدلهای پیشبینیکننده و تهیه گرافیکهای با کیفیت
ارائه را در زمان بیسابقه با مدلسازی پیشبینیکننده با SAS
Enterprise Miner: Practical Solutions for Business
Applications، نسخه دوم بیاموزید.
اگر دانشجوی کارشناسی ارشد، محقق یا آماردان هستید که به مدل سازی
پیش بینی کننده علاقه مند هستید. یک متخصص داده کاوی که می خواهد
SAS Enterprise Miner را یاد بگیرد. یا یک تحلیلگر تجاری که به
دنبال مقدمهای برای مدلسازی پیشبینی با استفاده از SAS
Enterprise Miner است، میتوانید با استفاده از تئوری و مثالهای
ارائهشده در این کتاب، مدلهای پیشبینیکننده را به سرعت و به
طور موثر توسعه دهید.
نویسنده Kattamuri Sarma نظریه پشت، مراحل برنامهنویسی و
نمونههایی از مدلسازی پیشبینیکننده با SAS Enterprise Miner
را همراه با تمرینهایی در پایان هر فصل ارائه میدهد. شما آگاهی
جامعی از نحوه یافتن راه حل برای نیازهای کسب و کار خود به دست
خواهید آورد. این نسخه دوم دارای پوشش گستردهای از گرههای ماینر
SAS Enterprise است که اکنون شامل واردات فایل، سری زمانی،
خوشهبندی متغیر، خوشه، Binning تعاملی، اجزای اصلی، AutoNeural،
DMNeural، Dmine Regression، Gradient Boosting، Ensemble و Text
Mining میشود.
مدلهای پیشبینیکننده را به سرعت توسعه دهید، یاد بگیرید چگونه
مدلهای متعدد را آزمایش کنید و نتایج را مقایسه کنید، درک عمیقی
از مدلهای پیشبینی و روشهای چند متغیره به دست آورید، و نحوه
انجام تجزیه و تحلیل عمیق را کشف کنید. همه این کارها را با مدل
سازی پیش بینی با SAS Enterprise Miner انجام دهید.
این کتاب بخشی از برنامه SAS Press است.
Learn the theory behind and methods for predictive modeling
using SAS Enterprise Miner.
Learn how to produce predictive models and prepare
presentation-quality graphics in record time with Predictive
Modeling with SAS Enterprise Miner: Practical Solutions for
Business Applications, Second Edition.
If you are a graduate student, researcher, or statistician
interested in predictive modeling; a data mining expert who
wants to learn SAS Enterprise Miner; or a business analyst
looking for an introduction to predictive modeling using SAS
Enterprise Miner, you'll be able to develop predictive models
quickly and effectively using the theory and examples presented
in this book.
Author Kattamuri Sarma offers the theory behind, programming
steps for, and examples of predictive modeling with SAS
Enterprise Miner, along with exercises at the end of each
chapter. You'll gain a comprehensive awareness of how to find
solutions for your business needs. This second edition features
expanded coverage of the SAS Enterprise Miner nodes, now
including File Import, Time Series, Variable Clustering,
Cluster, Interactive Binning, Principal Components, AutoNeural,
DMNeural, Dmine Regression, Gradient Boosting, Ensemble, and
Text Mining.
Develop predictive models quickly, learn how to test numerous
models and compare the results, gain an in-depth understanding
of predictive models and multivariate methods, and discover how
to do in-depth analysis. Do it all with Predictive Modeling
with SAS Enterprise Miner.
This book is part of the SAS Press program.