Statistical Data Analytics: Foundations for Data Mining, Informatics, and Knowledge Discovery

مقدمه‌ای جامع بر روش‌های آماری برای داده‌کاوی و کشف دانش.

کاربردهای داده‌کاوی و «داده‌های بزرگ» به طور فزاینده‌ای در مرکز مدرن و دانش محور ما قرار می‌گیرند. جامعه، با پیشرفت در قدرت محاسباتی، جمع‌آوری خودکار داده‌ها، توسعه رسانه‌های اجتماعی و نرم‌افزار اینترنتی تعاملی و قابل پیوند پشتیبانی می‌شود. این کتاب مقدمه ای منسجم و فنی برای یادگیری و تجزیه و تحلیل آماری مدرن را ارائه می دهد که از پایه های اصلی آمار و احتمال شروع می شود. این شامل یک نمای کلی از احتمالات و توزیع های آماری، مبانی دستکاری و تجسم داده ها، و اجزای مرکزی استنتاج های آماری استاندارد است. اکثر متن فراتر از این موضوعات مقدماتی است، با این حال، به یادگیری نظارت شده در رگرسیون خطی، مدل های خطی تعمیم یافته، و تجزیه و تحلیل طبقه بندی. در نهایت، یادگیری بدون نظارت از طریق کاهش ابعاد، تجزیه و تحلیل خوشه‌ای، و تحلیل سبد بازار معرفی می‌شود.

نمونه‌های گسترده با استفاده از داده‌های واقعی (با نمونه کد برنامه‌نویسی R) ارائه شده‌اند که اطلاعات متنوعی را نشان می‌دهد. منابعی در ژنومیک، زیست پزشکی، سنجش از دور اکولوژیکی، نجوم، اقتصاد اجتماعی، بازاریابی، تبلیغات و امور مالی و بسیاری دیگر.

تجزیه و تحلیل داده های آماری:

< li> بر روی روش هایی که به طور انتقادی در داده کاوی و انفورماتیک آماری استفاده می شود تمرکز می کند. روش‌ها را به طور منسجم در سطح مقدماتی، همراه با پسوندهای انتخابی تکنیک‌های متوسط ​​و پیشرفته توصیف می‌کند.
• جزئیات فنی و آموزنده را برای روش‌های برجسته ارائه می‌کند.
• زبان منبع باز R را به‌عنوان به‌کار می‌برد. وسیله محاسباتی - همراه با مجموعه رو به رشد بسته های آنلاین آن - برای نشان دادن بسیاری از تحلیل های موجود در کتاب.
• هر فصل را با طیف وسیعی از تمرینات تکلیف جالب و چالش برانگیز با استفاده از داده های واقعی از انواع مختلف به پایان می رساند. حوزه های کاربردی انفورماتیک.

این کتاب به عنوان یک کلاس درس یا متن آموزشی برای دانش آموزان متوسط ​​و پیشرفته و برای دانشجویان مقطع کارشناسی ارشد با پیشینه کافی در حساب دیفرانسیل و انتگرال و جبر ماتریس جذاب خواهد بود. همچنین به عنوان یک منبع-کتاب در مورد مبانی انفورماتیک آماری و تجزیه و تحلیل داده‌ها برای تمرین‌کنندگانی که به طور منظم از یادگیری آماری در داده‌های مدرن خود استفاده می‌کنند، استفاده می‌کند.

A comprehensive introduction to statistical methods for data mining and knowledge discovery.

Applications of data mining and ‘big data’ increasingly take center stage in our modern, knowledge-driven society, supported by advances in computing power, automated data acquisition, social media development and interactive, linkable internet software. This book presents a coherent, technical introduction to modern statistical learning and analytics, starting from the core foundations of statistics and probability. It includes an overview of probability and statistical distributions, basics of data manipulation and visualization, and the central components of standard statistical inferences. The majority of the text extends beyond these introductory topics, however, to supervised learning in linear regression, generalized linear models, and classification analytics. Finally, unsupervised learning via dimension reduction, cluster analysis, and market basket analysis are introduced.

Extensive examples using actual data (with sample R programming code) are provided, illustrating diverse informatic sources in genomics, biomedicine, ecological remote sensing, astronomy, socioeconomics, marketing, advertising and finance, among many others.

Statistical Data Analytics:

• Focuses on methods critically used in data mining and statistical informatics. Coherently describes the methods at an introductory level, with extensions to selected intermediate and advanced techniques.
• Provides informative, technical details for the highlighted methods.
• Employs the open-source R language as the computational vehicle – along with its burgeoning collection of online packages – to illustrate many of the analyses contained in the book.
• Concludes each chapter with a range of interesting and challenging homework exercises using actual data from a variety of informatic application areas.

This book will appeal as a classroom or training text to intermediate and advanced undergraduates, and to beginning graduate students, with sufficient background in calculus and matrix algebra. It will also serve as a source-book on the foundations of statistical informatics and data analytics to practitioners who regularly apply statistical learning to their modern data.