دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistical implications of Turing's formula
دانلود کتاب مفاهیم آماری فرمول تورینگ
مشخصات کتاب
Statistical implications of Turing's formula
ویرایش:
نویسندگان: Zhang. Zhiyi
سری:
ISBN (شابک) : 9781119237075, 1119237157
ناشر: John Wiley & Sons
سال نشر: 2017
تعداد صفحات: [289]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Statistical implications of Turing's formula 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 مفاهیم آماری فرمول تورینگ 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 مفاهیم آماری فرمول تورینگ
دارای مقدمه ای گسترده برای تحقیقات اخیر در مورد فرمول تورینگ و ارائه کاربردهای مدرن در آمار، احتمالات، نظریه اطلاعات و سایر زمینه های علم داده مدرن است. داده ها بدون هیچ گونه فرض پارامتری یا نیمه پارامتری. این کتاب مقدمه ای روشن از فرمول تورینگ و ارتباط آن با آمار ارائه می دهد. موضوعات مرتبط با رشته های مختلف مطالعاتی مانند نظریه اطلاعات گنجانده شده است. آمار؛ احتمال؛ علوم کامپیوتر شامل هوش مصنوعی و یادگیری ماشینی؛ اطلاعات بزرگ؛ زیست شناسی; بوم شناسی؛ و ژنتیک نویسنده بررسی بسیاری از مسائل آماری اصلی در علم داده مدرن را از دیدگاه تورینگ ارائه می دهد. یک رویکرد سیستماتیک به مشکلات طولانی مدت مانند آنتروپی و تخمین اطلاعات متقابل، تخمین شاخص تنوع، حوزه های جذابیت در الفبای عمومی، و تخمین احتمال دم در پرتو به روزترین درک از فرمول تورینگ ارائه شده است. نویسنده با ارائه تمرین‌ها و مثال‌های متعدد، خلاصه‌ای از ویژگی‌های شناخته شده فرمول تورینگ را ارائه می‌کند و توضیح می‌دهد که چگونه و چه زمانی به خوبی کار می‌کند. رویکرد به دست آمده از فرمول تورینگ را به منظور تخمین مقادیر مختلف مورد بحث قرار می دهد، که همه آنها عمدتاً از تئوری اطلاعات می آیند، اما برای یادگیری ماشین و کاربردهای زیست محیطی نیز مهم هستند. و از فرمول تورینگ برای تخمین برخی توزیع های دم سنگین استفاده می کند. به طور خلاصه، این کتاب: • ارائه یکپارچه و گسترده از فرمول تورینگ، از جمله ارتباط آن با آمار، احتمالات، نظریه اطلاعات، و سایر حوزه های علم داده مدرن • ارائه ارائه ای در مورد تخمین آماری کمیت های نظری اطلاعات • نشان دادن مشکلات تخمین چندین توابع آماری از دیدگاه تورینگ مانند شاخص‌های سیمپسون، آنتروپی شانون، شاخص‌های تنوع کلی، اطلاعات متقابل و واگرایی کول‌بک-لایبلر • شامل تمرین‌ها و مثال‌های متعدد در سراسر با دیدگاهی بنیادی در مورد نتایج کلیدی فرمول تورینگ از آمار ضمنی است. فرمول تورینگ یک مرجع ایده آل برای محققان و متخصصانی است که نیاز به بررسی بسیاری از مسائل آماری مهم علم داده مدرن دارند. این کتاب همچنین منبع یادگیری مناسبی برای زیست شناسان، بوم شناسان و ژنتیک دانانی است که با مفهوم تنوع و برآورد آن درگیر هستند و می تواند به عنوان کتاب درسی برای دوره های تحصیلات تکمیلی ریاضیات، احتمالات، آمار، علوم کامپیوتر، هوش مصنوعی، ماشین استفاده شود. یادگیری، کلان داده و نظریه اطلاعات. Zhiyi Zhang، دکترا، استاد ریاضیات و آمار در دانشگاه کارولینای شمالی در شارلوت است. او یک مشاور فعال در صنعت و دولت در طیف گسترده ای از مسائل آماری است و علایق تحقیقاتی فعلی او شامل فرمول تورینگ و پیامدهای آماری آن است. احتمال و آمار در مورد الفبای قابل شمارش. تخمین ناپارامتریک آنتروپی و اطلاعات متقابل. دم احتمال و شاخص های تنوع زیستی. و برنامه های کاربردی شامل استخراج اطلاعات آماری از فضای داده های فرکانس پایین. او دکترای خود را در رشته آمار از دانشگاه راتگرز گرفت.
توضیحاتی درمورد کتاب به خارجی
Features a broad introduction to recent research on Turing’s formula and presents modern applications in statistics, probability, information theory, and other areas of modern data science Turing's formula is, perhaps, the only known method for estimating the underlying distributional characteristics beyond the range of observed data without making any parametric or semiparametric assumptions. This book presents a clear introduction to Turing’s formula and its connections to statistics. Topics with relevance to a variety of different fields of study are included such as information theory; statistics; probability; computer science inclusive of artificial intelligence and machine learning; big data; biology; ecology; and genetics. The author provides examinations of many core statistical issues within modern data science from Turing's perspective. A systematic approach to long-standing problems such as entropy and mutual information estimation, diversity index estimation, domains of attraction on general alphabets, and tail probability estimation is presented in light of the most up-to-date understanding of Turing's formula. Featuring numerous exercises and examples throughout, the author provides a summary of the known properties of Turing's formula and explains how and when it works well; discusses the approach derived from Turing's formula in order to estimate a variety of quantities, all of which mainly come from information theory, but are also important for machine learning and for ecological applications; and uses Turing's formula to estimate certain heavy-tailed distributions. In summary, this book: • Features a unified and broad presentation of Turing’s formula, including its connections to statistics, probability, information theory, and other areas of modern data science • Provides a presentation on the statistical estimation of information theoretic quantities • Demonstrates the estimation problems of several statistical functions from Turing's perspective such as Simpson's indices, Shannon's entropy, general diversity indices, mutual information, and Kullback–Leibler divergence • Includes numerous exercises and examples throughout with a fundamental perspective on the key results of Turing’s formula Statistical Implications of Turing's Formula is an ideal reference for researchers and practitioners who need a review of the many critical statistical issues of modern data science. This book is also an appropriate learning resource for biologists, ecologists, and geneticists who are involved with the concept of diversity and its estimation and can be used as a textbook for graduate courses in mathematics, probability, statistics, computer science, artificial intelligence, machine learning, big data, and information theory. Zhiyi Zhang, PhD, is Professor of Mathematics and Statistics at The University of North Carolina at Charlotte. He is an active consultant in both industry and government on a wide range of statistical issues, and his current research interests include Turing's formula and its statistical implications; probability and statistics on countable alphabets; nonparametric estimation of entropy and mutual information; tail probability and biodiversity indices; and applications involving extracting statistical information from low-frequency data space. He earned his PhD in Statistics from Rutgers University.
فهرست مطالب
Content: Turing\'s Formula --
Estimation of Simpson\'s Indices --
Estimation of Shannon\'s Entropy --
Estimation of Diversity Indices --
Estimation of Information --
Domains of Attraction on Countable Alphabets --
Estimation of Tail Probability. --
Includes bibliographical references and index.
