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: Bruce Ratner
سری:
ISBN (شابک) : 1439860912, 3998172629
ناشر: CRC Press
سال نشر: 2011
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 مگابایت
در صورت تبدیل فایل کتاب Statistical and Machine-Learning Data Mining: Techniques for Better Predictive Modeling and Analysis of Big Data, Second 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 دادهکاوی آماری و یادگیری ماشینی: تکنیکهایی برای مدلسازی و تحلیل پیشبینی بهتر دادههای بزرگ، ویرایش دوم 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.
ویرایش دوم کتاب پرفروش، دادهکاوی آماری و یادگیری ماشینی: تکنیکهایی برای مدلسازی و تحلیل پیشبینی بهتر دادههای بزرگ هنوز تنها کتابی است که تا به امروز بین دادهکاوی آماری تمایز قائل شده است. و داده کاوی یادگیری ماشینی نسخه اول، با عنوان مدلسازی و تجزیه و تحلیل آماری برای بازاریابی پایگاه داده: تکنیک های موثر برای استخراج داده های بزرگ، شامل 17 فصل از تکنیک های داده کاوی آماری ابتکاری و عملی بود. در این ویرایش دوم که برای بازتاب افزایش پوشش تکنیکهای دادهکاوی یادگیری ماشینی تغییر نام داده شده است، نویسنده فصلهای اصلی را به طور کامل بازبینی، سازماندهی و تغییر مکان داده و 14 فصل جدید از تکنیکهای خلاقانه و مفید دادهکاوی یادگیری ماشینی را تولید کرده است. در مجموع، 31 فصل از تکنیک های کمی ساده و در عین حال روشنگر این کتاب را در زمینه ادبیات داده کاوی منحصر به فرد می کند.
روش های داده کاوی آماری به طور موثر داده های بزرگ را برای شناسایی ساختارها (متغیرها) با پیش بینی مناسب در نظر می گیرند. قدرت به منظور ارائه مدل ها و تحلیل های آماری در مقیاس بزرگ قابل اعتماد و قوی. در مقابل، مدل GenIQ خود نویسنده راهحلهای یادگیری ماشینی را برای مشکلات آماری رایج و تقریباً غیرقابل دسترس ارائه میکند. GenIQ این امکان را فراهم می کند - ویژگی های داده کاوی سودمند آن از جایی شروع می شود که داده کاوی آماری متوقف می شود.
این کتاب حاوی مقالاتی است که پیشینه مفصل، بحث و تصویر روش های خاص را برای حل متداول ترین مشکلات تجربه شده در مدل سازی و پیش بینی ارائه می دهد. تجزیه و تحلیل داده های بزرگ آنها به هر متدولوژی می پردازند و کاربرد آن را به نوع خاصی از مشکل اختصاص می دهند. برای خوانندگان بهتر، این کتاب بحث عمیقی را در مورد روشهای اساسی مدلسازی و تحلیل پیشبینی ارائه میکند. در حالی که این نوع مرور کلی قبلاً انجام شده است، این رویکرد یک روش واقعاً سخت و گام به گام ارائه می دهد که هم تایروس و هم متخصصان در این زمینه می توانند از بازی با آن لذت ببرند.
The second 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. The first edition, titled Statistical Modeling and Analysis for Database Marketing: Effective Techniques for Mining Big Data, contained 17 chapters of innovative and practical statistical data mining techniques. In this second edition, renamed to reflect the increased coverage of machine-learning data mining techniques, the author has completely revised, reorganized, and repositioned the original chapters and produced 14 new chapters of creative and useful machine-learning data mining techniques. In sum, the 31 chapters of simple yet insightful quantitative techniques make this book unique in the field of data mining literature.
The statistical data mining methods effectively consider big data for identifying structures (variables) with the appropriate predictive power in order to yield reliable and robust large-scale statistical models and analyses. In contrast, the author's own GenIQ Model provides machine-learning solutions to common and virtually unapproachable statistical problems. GenIQ makes this possible ― its utilitarian data mining features start where statistical data mining stops.
This book contains essays offering detailed background, discussion, and illustration of specific methods for solving the most commonly experienced problems in predictive modeling and analysis of big data. They address each methodology and assign its application to a specific type of problem. To better ground readers, the book provides an in-depth discussion of the basic methodologies of predictive modeling and analysis. While this type of overview has been attempted before, this approach offers a truly nitty-gritty, step-by-step method that both tyros and experts in the field can enjoy playing with.