دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistical and Machine-Learning Data Mining, Third Edition: Techniques for Better Predictive Modeling and Analysis of Big Data, Third Edition
دانلود کتاب داده کاوی آماری و یادگیری ماشینی، ویرایش سوم: تکنیک‌هایی برای مدل‌سازی و تحلیل پیش‌بینی بهتر داده‌های بزرگ، ویرایش سوم
مشخصات کتاب
Statistical and Machine-Learning Data Mining, Third Edition: Techniques for Better Predictive Modeling and Analysis of Big Data, Third Edition
ویرایش: Third edition
نویسندگان: Bruce Ratner
سری:
ISBN (شابک) : 9781498797603, 1315156318
ناشر: CRC Press
سال نشر: 2017
تعداد صفحات: 691
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
قیمت کتاب (تومان) : 42,000
کلمات کلیدی مربوط به کتاب داده کاوی آماری و یادگیری ماشینی، ویرایش سوم: تکنیک‌هایی برای مدل‌سازی و تحلیل پیش‌بینی بهتر داده‌های بزرگ، ویرایش سوم: بازاریابی پایگاه داده -- روش های آماری ، داده کاوی -- روش های آماری ، داده های بزرگ -- روش های آماری
در صورت تبدیل فایل کتاب Statistical and Machine-Learning Data Mining, Third Edition: Techniques for Better Predictive Modeling and Analysis of Big Data, Third Edition 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 داده کاوی آماری و یادگیری ماشینی، ویرایش سوم: تکنیک‌هایی برای مدل‌سازی و تحلیل پیش‌بینی بهتر داده‌های بزرگ، ویرایش سوم 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 داده کاوی آماری و یادگیری ماشینی، ویرایش سوم: تکنیک‌هایی برای مدل‌سازی و تحلیل پیش‌بینی بهتر داده‌های بزرگ، ویرایش سوم
ویرایش سوم کتاب پرفروش «داده کاوی آماری و یادگیری ماشینی: تکنیک‌هایی برای مدل‌سازی و تحلیل پیش‌بینی بهتر و تحلیل داده‌های بزرگ» هنوز تنها کتابی است که تا به امروز بین داده‌کاوی آماری و داده‌کاوی یادگیری ماشینی تمایز قائل شده است. مجموعه‌ای از تکنیک‌های جدید و خلاقانه داده‌کاوی است که به مقیاس‌بندی چارچوب روش‌شناسی آماری کلاسیک و مدرن، برای مدل‌سازی و تحلیل پیش‌بینی‌کننده داده‌های بزرگ می‌پردازد. SM-DM راه حل های مناسبی را برای مشکلات رایجی که دانشمند داده جدید در رشته داده کاوی با آن مواجه است ارائه می دهد. ارائه آن بر نیازهای دانشمندان داده (معمولاً به عنوان آماردان، داده کاوی و تحلیلگر داده شناخته می شود) تمرکز دارد و تکنیک های کمی عملی و در عین حال قدرتمند، ساده و در عین حال روشنگر را ارائه می دهد که اکثر آنها از روش های آماری "قدیمی" استفاده می کنند. تاثیر یادگیری ماشین جدید
توضیحاتی درمورد کتاب به خارجی
The third edition of a bestseller, Statistical and Machine-Learning Data Mining: Techniques for Better Predictive Modeling and Analysis of Big Data is still the only book, to date, to distinguish between statistical data mining and machine-learning data mining. is a compilation of new and creative data mining techniques, which address the scaling-up of the framework of classical and modern statistical methodology, for predictive modeling and analysis of big data. SM-DM provides proper solutions to common problems facing the newly minted data scientist in the data mining discipline. Its presentation focuses on the needs of the data scientists (commonly known as statisticians, data miners and data analysts), delivering practical yet powerful, simple yet insightful quantitative techniques, most of which use the ''old'' statistical methodologies improved upon by the new machine learning influence.
فهرست مطالب
Content: Preface --
Preface to second edition --
Acknowledgments --
About the author --
Introduction --
Science dealing with data: statistic and data science --
Basic data mining methods for variable assessment --
CHAID-based data mining for paired-variable assessment --
The importance of straight data : simplicity and desirability for good model-building practice --
Symmetrizing ranked data : a statistical data mining method for improving the predictive power of data --
Principal component analysis : a statistical data mining --
Method for many-variable assessment --
Market share estimation : data mining for an exception case --
The correlation coefficient : its values range between plus and minus 1, or do they? --
Logistic regression : the workhorse of response modeling --
Predicting share of wallet without survey data --
Ordinary regression: the workhorse of profit modeling --
Variable selection methods in regression: ignorable problem, notable solution --
CHAID for interpreting a logistic regression model --
The importance of the regression coefficient --
The average correlation: a statistical data mining measure --
For assessment of competing predictive models and the importance of the predictor variables --
CHAID for specifying a model with interaction variables --
Market segmentation classification modeling with logistic regression --
Market segmentation based on time-series data using latent class analysis --
Market segmentation: an easy way to understand the segments --
CHAID as a method for filling in missing values --
Model building with big complete and incomplete data --
Art, science, numbers, and poetry --
Identifying your best customers: descriptive, predictive, and look-alike profiling --
Assessment of marketing models --
Decile analysis: perspective and performance --
Net T-C lift model : assessing the net effects of test and control campaigns --
Bootstrapping in marketing --
Validating the logistic regression model : try bootstrapping --
Visualization of marketing models data mining to uncover innards of a model --
The predictive contribution coefficient : a measure of predictive importance --
Regression modeling involves art, science, and poetry, too --
Genetic and statistic regression models : a comparison --
Data reuse : a powerful data mining effect of the GenIQ model --
A data mining method for moderating outliers instead --
Of discarding them --
Overfitting : old problem, new solution --
The importance of straight data : revisited --
The geniq model : its definition and an application --
Finding the best variables for marketing models --
Interpretation of coefficient-free models --
Text mining : primer, illustration, and txtdm software --
Some of my favorite statistical subroutines --
Index.
