برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Predictive Statistics Analysis and Inference Beyond Models

دانلود کتاب تجزیه و تحلیل آمار پیش بینی و استنتاج فراتر از مدل ها

مشخصات کتاب

Predictive Statistics Analysis and Inference Beyond Models

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Bertrand S. Clarke,  Jennifer L. Clarke  
سری: Cambridge Series in Statistical and Probabilistic Mathematics 
ISBN (شابک) : 9781107028289 
ناشر: Cambridge University Press 
سال نشر: 2018 
تعداد صفحات: 657 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت

قیمت کتاب (تومان) : 51,000

کلمات کلیدی مربوط به کتاب تجزیه و تحلیل آمار پیش بینی و استنتاج فراتر از مدل ها: آمار ریاضی، ر

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 18

در صورت تبدیل فایل کتاب Predictive Statistics Analysis and Inference Beyond Models 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 آمار پیش بینی و استنتاج فراتر از مدل ها 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 تجزیه و تحلیل آمار پیش بینی و استنتاج فراتر از مدل ها

همه رشته های علمی به موفقیت پیش بینی کننده جایزه می دهند. با این حال، تحلیل‌های آماری مرسوم، پیش‌بینی را به عنوان ثانویه تلقی می‌کنند، به جای آن بر مدل‌سازی و در نتیجه تخمین، آزمایش و تفسیر فیزیکی دقیق تمرکز می‌کنند و قبل از اینکه کفایت پیش‌بینی یک مدل ایجاد شود، با این وظایف مقابله می‌کنند. این کتاب یک رویکرد کاملاً پیش‌بینی‌کننده به مسائل آماری را بر اساس مطالعه پیش‌بین‌ها تشریح می‌کند. این رویکرد نیازی به پیش‌بینی‌کننده‌ها ندارد، اگرچه این مورد خاص مهم در رویکرد کلی گنجانده شده است. در کل، نکته این است که قبل از در نظر گرفتن استنتاج مرسوم، عملکرد پیش بینی را بررسی کنیم. این ایده‌ها از طریق پنج زیرشاخه سنتی آمار ردیابی می‌شوند و به خوانندگان کمک می‌کنند تا دوباره تمرکز کنند و یک چشم‌انداز مستقیم پیش‌بینی کنند. این کتاب همچنین پیش‌بینی از طریق تکنیک‌های «جعبه سیاه» معاصر و انواع داده‌ها و روش‌های نوظهور را در نظر می‌گیرد که در آن مدل‌سازی مرسوم آنقدر دشوار است که پیش‌بینی خوب معیار اصلی در دسترس برای ارزیابی عملکرد یک روش آماری است. کد R منبع باز به خوبی مستند شده در یک مخزن Github به خوانندگان اجازه می دهد تا نمونه ها را تکرار کنند و تکنیک ها را در تحقیقات دیگر به کار ببرند. تئوری آماری را مستقیماً به اهداف یادگیری ماشین، داده کاوی و علوم کاربردی مدرن متصل می کند آماردانان را برای کنار آمدن با انواع داده های نوظهور و غیر سنتی قرار می دهد کد R خوب مستند در یک مخزن Github به خوانندگان اجازه می دهد تا نمونه ها را تکرار کنند

توضیحاتی درمورد کتاب به خارجی

All scientific disciplines prize predictive success. Conventional statistical analyses, however, treat prediction as secondary, instead focusing on modeling and hence estimation, testing, and detailed physical interpretation, tackling these tasks before the predictive adequacy of a model is established. This book outlines a fully predictive approach to statistical problems based on studying predictors; the approach does not require predictors correspond to a model although this important special case is included in the general approach. Throughout, the point is to examine predictive performance before considering conventional inference. These ideas are traced through five traditional subfields of statistics, helping readers to refocus and adopt a directly predictive outlook. The book also considers prediction via contemporary 'black box' techniques and emerging data types and methodologies where conventional modeling is so difficult that good prediction is the main criterion available for evaluating the performance of a statistical method. Well-documented open-source R code in a Github repository allows readers to replicate examples and apply techniques to other investigations. Connects statistical theory directly to the goals of machine learning, data mining, and modern applied science Positions statisticians to cope with emerging, non-traditional data types Well-documented R code in a Github repository allows readers to replicate examples

فهرست مطالب

Part I. The Predictive View:
1. Why prediction?
2. Defining a predictive paradigm
3. What about modeling?
4. Models and predictors: a bickering couple
Part II. Established Settings for Prediction:
5. Time series
6. Longitudinal data
7. Survival analysis
8. Nonparametric methods
9. Model selection
Part III. Contemporary Prediction:
10. Blackbox techniques
11. Ensemble methods
12. The future of prediction
References
Index.