ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 REGRESSION_ANALYSIS_WITH_R

دانلود کتاب REGRESSION_ANALYSIS_WITH_R

REGRESSION_ANALYSIS_WITH_R

مشخصات کتاب

REGRESSION_ANALYSIS_WITH_R

دسته بندی: کامپیوتر
ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781788627306 
ناشر:  
سال نشر: 0 
تعداد صفحات: 416 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 24 مگابایت

قیمت کتاب (تومان) : 38,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب REGRESSION_ANALYSIS_WITH_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 REGRESSION_ANALYSIS_WITH_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.


توضیحاتی در مورد کتاب REGRESSION_ANALYSIS_WITH_R

ساخت مدل‌های رگرسیون مؤثر در R برای استخراج بینش‌های ارزشمند از داده‌های واقعی ویژگی‌های کلیدی پیاده‌سازی تکنیک‌های تحلیل رگرسیون مختلف برای حل مشکلات رایج در علم داده - از کاوش داده‌ها تا مقابله با مقادیر گمشده از رگرسیون خطی ساده تا رگرسیون لجستیک - این کتاب تمام تکنیک‌های رگرسیون را پوشش می‌دهد. و پیاده سازی آنها در R راهنمای کامل برای ساخت مدل های رگرسیون موثر در R و تفسیر نتایج حاصل از آنها برای انجام پیش بینی های ارزشمند شرح کتاب تحلیل رگرسیون یک فرآیند آماری است که پیش بینی روابط بین متغیرها را امکان پذیر می کند. پیش‌بینی‌ها بر اساس تأثیر تصادفی یک متغیر بر متغیر دیگر است. تکنیک‌های رگرسیون برای مدل‌سازی و تحلیل بر روی مجموعه بزرگی از داده‌ها به منظور آشکار کردن رابطه پنهان بین متغیرها استفاده می‌شود. این کتاب خلاصه‌ای از تحلیل رگرسیون را به شما می‌دهد و فرآیند را از ابتدا به شما توضیح می‌دهد. چند فصل اول درک درستی از انواع مختلف یادگیری - تحت نظارت و بدون نظارت، چگونگی تفاوت این یادگیری ها با یکدیگر را ارائه می دهد. سپس به بررسی جزئیات یادگیری تحت نظارت که جنبه های مختلف تحلیل رگرسیون را پوشش می دهد، می پردازیم. طرح کلی فصول به گونه ای مرتب شده است که احساسی از تمام مراحل تحت پوشش در یک فرآیند علم داده می دهد - بارگیری مجموعه داده های آموزشی، مدیریت مقادیر از دست رفته، EDA در مجموعه داده ها، تبدیل ها و مهندسی ویژگی ها، ساخت مدل، ارزیابی برازش مدل. و عملکرد، و در نهایت انجام پیش بینی در مجموعه داده های دیده نشده. هر فصل با توضیح مفاهیم نظری شروع می شود و هنگامی که خواننده با نظریه راحت شد، برای حمایت از درک به سراغ مثال های عملی می رویم. مثال های عملی با استفاده از کد R از جمله بسته های مختلف در R مانند R Stats، Caret و غیره نشان داده شده اند. هر فصل ترکیبی از مثال‌های تئوری و عملی است. در پایان این کتاب شما تمام مفاهیم و نکات دردناک مربوط به تحلیل رگرسیون را می‌دانید و می‌توانید یادگیری خود را در پروژه‌های خود پیاده کنید. آنچه یاد خواهید گرفت 1. با استفاده از رگرسیون خطی ساده سفر علم داده را شروع کنید. 2. با استفاده از رگرسیون خطی چندگانه با تعامل، هم خطی و سایر مشکلات مقابله کنید. مجموعه داده خود، مقادیر از دست رفته را بررسی کنید و روابط نمودار را با تجزیه و تحلیل داده های اکتشافی ایجاد کنید. درخت‌های تصمیم‌گیری، تکنیک‌های بسته‌بندی و تقویت 8. با کمک یک مطالعه موردی در دنیای واقعی، همه چیز را در عمل بیاموزید. این کتاب برای چه کسی است این کتاب برای دانشمندان داده و تحلیلگران داده در نظر گرفته شده است که می خواهند تکنیک های تجزیه و تحلیل رگرسیون را با استفاده از R پیاده سازی کنند. این کتاب همان چیزی است که شما نیاز دارید! درک اولیه آمار و ریاضی به شما کمک می کند تا از کتاب بیشترین بهره را ببرید. برخی از تجربه های برنامه نویسی با R نیز مفید خواهد بود


توضیحاتی درمورد کتاب به خارجی

Build effective regression models in R to extract valuable insights from real data Key Features Implement different regression analysis techniques to solve common problems in data science - from data exploration to dealing with missing values From Simple Linear Regression to Logistic Regression - this book covers all regression techniques and their implementation in R A complete guide to building effective regression models in R and interpreting results from them to make valuable predictions Book Description Regression analysis is a statistical process which enables prediction of relationships between variables. The predictions are based on the casual effect of one variable upon another. Regression techniques for modeling and analyzing are employed on large set of data in order to reveal hidden relationship among the variables. This book will give you a rundown explaining what regression analysis is, explaining you the process from scratch. The first few chapters give an understanding of what the different types of learning are - supervised and unsupervised, how these learnings differ from each other. We then move to covering the supervised learning in details covering the various aspects of regression analysis. The outline of chapters are arranged in a way that gives a feel of all the steps covered in a data science process - loading the training dataset, handling missing values, EDA on the dataset, transformations and feature engineering, model building, assessing the model fitting and performance, and finally making predictions on unseen datasets. Each chapter starts with explaining the theoretical concepts and once the reader gets comfortable with the theory, we move to the practical examples to support the understanding. The practical examples are illustrated using R code including the different packages in R such as R Stats, Caret and so on. Each chapter is a mix of theory and practical examples. By the end of this book you will know all the concepts and pain-points related to regression analysis, and you will be able to implement your learning in your projects. What you will learn 1. Get started with the journey of data science using Simple linear regression 2. Deal with interaction, collinearity and other problems using multiple linear regression 3. Understand diagnostics and what to do if the assumptions fail with proper analysis 4. Load your dataset, treat missing values, and plot relationships with exploratory data analysis 5. Develop a perfect model keeping overfitting, under-fitting, and cross-validation into consideration 6. Deal with classification problems by applying Logistic regression 7. Explore other regression techniques - Decision trees, Bagging, and Boosting techniques 8. Learn by getting it all in action with the help of a real world case study. Who this book is for This book is intended for budding data scientists and data analysts who want to implement regression analysis techniques using R. If you are interested in statistics, data science, machine learning and wants to get an easy introduction to the topic, then this book is what you need! Basic understanding of statistics and math will help you to get the most out of the book. Some programming experience with R will also be helpful



فهرست مطالب

Table of Contents Getting Started with RegressionBasic Concepts - Simple Linear RegressionMore Than Just One Predictor - MLRLogistic RegressionData preparationAvoiding Overfitting Problems - Achieving GeneralizationGoing Further with Regression ModelsBeyond Linearity - When Curving Is Much BetterRegression Analysis in Practice




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی