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: Anirban DasGupta (auth.)
سری: Springer Texts in Statistics
ISBN (شابک) : 1441996338, 9781441996336
ناشر: Springer-Verlag New York
سال نشر: 2011
تعداد صفحات: 803
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب احتمال آماری و یادگیری ماشین: مبانی و مباحث پیشرفته: نظریه و روش های آماری، نظریه احتمال و فرآیندهای تصادفی، شبیه سازی و مدل سازی، بیوانفورماتیک
در صورت تبدیل فایل کتاب Probability for Statistics and Machine Learning: Fundamentals and Advanced Topics 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 احتمال آماری و یادگیری ماشین: مبانی و مباحث پیشرفته 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 یک درمان همه کاره و واضح از نظریه احتمال کلاسیک و همچنین مدرن ارائه می دهد، در حالی که آنها را با موضوعات اصلی در نظریه آماری و همچنین برخی از ابزارهای کلیدی در یادگیری ماشین ادغام می کند. این به سبک بسیار در دسترس، با بحث های انگیزشی استادانه و مثال ها و تمرین های متعدد نوشته شده است. این کتاب دارای 20 فصل در طیف گسترده ای از موضوعات، 423 مثال کار شده و 808 تمرین است. این کتاب از نظر یکسان سازی احتمال و آمار، پوشش و مجموعه تمرین های عالی، کتابشناسی دقیق، و در برخورد اساسی با بسیاری از موضوعات مهم کنونی، منحصر به فرد است.
این کتاب می تواند به عنوان متنی برای این کتاب مورد استفاده قرار گیرد. یک دوره تحصیلات تکمیلی طولانی مدت در آمار، علوم کامپیوتر، یا ریاضیات، برای مطالعه خود، و به عنوان یک مرجع تحقیقاتی ارزشمند در مورد احتمالات و کاربردهای آن. به ویژه درمان های نظریه توزیع، مجانبی، شبیه سازی و زنجیره مارکوف مونت کارلو، زنجیره های مارکوف و مارتینگل ها، فرآیندهای گاوسی، نظریه VC، متریک های احتمال، انحرافات بزرگ، بوت استرپ، الگوریتم EM، فواصل اطمینان، حداکثر احتمال و تخمین های بیز قابل ذکر است. ، خانواده های نمایی، هسته ها و فضاهای هیلبرت، و یک بررسی کامل خود شامل احتمال تک متغیره.
This book provides a versatile and lucid treatment of classic as well as modern probability theory, while integrating them with core topics in statistical theory and also some key tools in machine learning. It is written in an extremely accessible style, with elaborate motivating discussions and numerous worked out examples and exercises. The book has 20 chapters on a wide range of topics, 423 worked out examples, and 808 exercises. It is unique in its unification of probability and statistics, its coverage and its superb exercise sets, detailed bibliography, and in its substantive treatment of many topics of current importance.
This book can be used as a text for a year long graduate course in statistics, computer science, or mathematics, for self-study, and as an invaluable research reference on probabiliity and its applications. Particularly worth mentioning are the treatments of distribution theory, asymptotics, simulation and Markov Chain Monte Carlo, Markov chains and martingales, Gaussian processes, VC theory, probability metrics, large deviations, bootstrap, the EM algorithm, confidence intervals, maximum likelihood and Bayes estimates, exponential families, kernels, and Hilbert spaces, and a self contained complete review of univariate probability.
Front Matter....Pages i-xix
Review of Univariate Probability....Pages 1-93
Multivariate Discrete Distributions....Pages 95-121
Multidimensional Densities....Pages 123-165
Advanced Distribution Theory....Pages 167-197
Multivariate Normal and Related Distributions....Pages 199-219
Finite Sample Theory of Order Statistics and Extremes....Pages 221-248
Essential Asymptotics and Applications....Pages 249-292
Characteristic Functions and Applications....Pages 293-322
Asymptotics of Extremes and Order Statistics....Pages 323-338
Markov Chains and Applications....Pages 339-374
Random Walks....Pages 375-400
Brownian Motion and Gaussian Processes....Pages 401-436
Poisson Processes and Applications....Pages 437-462
Discrete Time Martingales and Concentration Inequalities....Pages 463-504
Probability Metrics....Pages 505-526
Empirical Processes and VC Theory....Pages 527-558
Large Deviations....Pages 559-582
The Exponential Family and Statistical Applications....Pages 583-612
Simulation and Markov Chain Monte Carlo....Pages 613-687
Useful Tools for Statistics and Machine Learning....Pages 689-746
Back Matter....Pages 747-782