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: Richard A. Berk (auth.)
سری: Springer Texts in Statistics
ISBN (شابک) : 9783319440484, 9783319440477
ناشر: Springer International Publishing
سال نشر: 2016
تعداد صفحات: 364
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری آماری از دیدگاه رگرسیون: نظریه و روشهای آماری، نظریه احتمالات و فرآیندهای تصادفی، آمار علوم اجتماعی، علوم رفتاری، آموزش، سیاستگذاری عمومی و قانون، بهداشت عمومی، روشهای روانشناختی/ارزیابی، روششناسی اجتماعی
در صورت تبدیل فایل کتاب Statistical Learning from a Regression Perspective 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 یادگیری آماری از دیدگاه رگرسیون 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.
این کتاب درسی زمانی کاربردهای یادگیری آماری را در نظر میگیرد
که علاقه به توزیع شرطی متغیر پاسخ، با توجه به مجموعهای از
پیشبینیکنندهها، و زمانی که مشخص کردن چگونگی ارتباط
پیشبینیکنندهها با پاسخ مهم است، مورد توجه قرار میگیرد. به
عنوان اولین تقریب، این را می توان به عنوان توسعه رگرسیون
ناپارامتری در نظر گرفت.
این ویرایش جدید کاملاً اصلاح شده شامل تحولات مهمی در 8 سال
گذشته است. مطابق با تجزیه و تحلیل داده های مدرن، تاکید می کند
که تجزیه و تحلیل داده های یادگیری آماری مناسب از جمع آوری
داده های صحیح، مدیریت هوشمند داده ها، رویه های آماری مناسب و
تفسیر قابل دسترس نتایج ناشی می شود. تأکید مداوم بر مفاهیم
برای تمرین در متن وجود دارد. از جمله روشهای یادگیری آماری
مورد بررسی، کیسهبندی، جنگلهای تصادفی، تقویت، ماشینهای
بردار پشتیبانی و شبکههای عصبی هستند. متغیرهای پاسخ ممکن است
کمی یا طبقه ای باشند. همانطور که در نسخه اول، یک موضوع متحد
کننده، یادگیری تحت نظارت است که می تواند به عنوان شکلی از
تحلیل رگرسیون در نظر گرفته شود.
مفاهیم و رویه های کلیدی با کاربردهای واقعی، به ویژه آنهایی که
مفاهیم کاربردی دارند، نشان داده شده اند. یک مثال اصلی نیاز به
در نظر گرفتن صریح هزینه های نامتقارن در فرآیند اتصال است. به
عنوان مثال، در برخی شرایط ممکن است هزینه های مثبت کاذب بسیار
کمتر از منفی های کاذب باشد. همچنین افسانه های مفیدی مانند عدم
واگذاری خودکار تصمیمات تجزیه و تحلیل داده ها به یک الگوریتم
مناسب ارائه شده است. در بسیاری از تنظیمات، دانش موضوعی باید
بر معیارهای تناسب رسمی غلبه کند. پیام مهم دیگر این است که از
محدودیت دادههای خود قدردانی کنید و از روشهای یادگیری آماری
استفاده نکنید که به بیش از آنچه که دادهها میتوانند ارائه
کنند، نیاز دارند.
این مطالب برای سطوح بالای لیسانس و دانشجویان کارشناسی ارشد در
علوم اجتماعی و زیستی و برای محققان نوشته شده است. کسانی که می
خواهند روش های یادگیری آماری را برای مسائل علمی و سیاست گذاری
به کار گیرند. نویسنده از این کتاب در درس رگرسیون مدرن برای
علوم اجتماعی، رفتاری و زیستی استفاده می کند. توضیحات شهودی و
بازنمایی های بصری برجسته هستند. همه آنالیزهای موجود در R با
کد ارائه شده به طور معمول انجام می شود.
This textbook considers statistical learning applications
when interest centers on the conditional distribution of the
response variable, given a set of predictors, and when it is
important to characterize how the predictors are related to
the response. As a first approximation, this can be seen as
an extension of nonparametric regression.
This fully revised new edition includes important
developments over the past 8 years. Consistent with modern
data analytics, it emphasizes that a proper statistical
learning data analysis derives from sound data collection,
intelligent data management, appropriate statistical
procedures, and an accessible interpretation of results. A
continued emphasis on the implications for practice runs
through the text. Among the statistical learning procedures
examined are bagging, random forests, boosting, support
vector machines and neural networks. Response variables may
be quantitative or categorical. As in the first edition, a
unifying theme is supervised learning that can be treated as
a form of regression analysis.
Key concepts and procedures are illustrated with real
applications, especially those with practical implications. A
principal instance is the need to explicitly take into
account asymmetric costs in the fitting process. For example,
in some situations false positives may be far less costly
than false negatives. Also provided is helpful craft lore
such as not automatically ceding data analysis decisions to a
fitting algorithm. In many settings, subject-matter knowledge
should trump formal fitting criteria. Yet another important
message is to appreciate the limitation of one’s data and not
apply statistical learning procedures that require more than
the data can provide.
The material is written for upper undergraduate level and
graduate students in the social and life sciences and for
researchers who want to apply statistical learning procedures
to scientific and policy problems. The author uses this book
in a course on modern regression for the social, behavioral,
and biological sciences. Intuitive explanations and visual
representations are prominent. All of the analyses included
are done in R with code routinely provided.
Front Matter....Pages i-xxiii
Statistical Learning as a Regression Problem....Pages 1-53
Splines, Smoothers, and Kernels....Pages 55-127
Classification and Regression Trees (CART)....Pages 129-186
Bagging....Pages 187-203
Random Forests....Pages 205-258
Boosting....Pages 259-289
Support Vector Machines....Pages 291-310
Some Other Procedures Briefly....Pages 311-323
Broader Implications and a Bit of Craft Lore....Pages 325-332
Back Matter....Pages 333-347