برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Statistical Learning with Sparsity. The Lasso and Generalizations

دانلود کتاب یادگیری آماری با Sparsity. Lasso و تعمیمها

مشخصات کتاب

Statistical Learning with Sparsity. The Lasso and Generalizations

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Trevor Hastie,  Robert Tibshirani,  Martin Wainwright  
سری: Monographs on Statistics and Applied Probability 143 
ISBN (شابک) : 9781498712170 
ناشر: CRC 
سال نشر: 2015 
تعداد صفحات: 335 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت

قیمت کتاب (تومان) : 38,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 10

در صورت تبدیل فایل کتاب Statistical Learning with Sparsity. The Lasso and Generalizations 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 با Sparsity. Lasso و تعمیمها 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 یادگیری آماری با Sparsity. Lasso و تعمیمها

روش‌های جدیدی برای مقابله با داده‌های با ابعاد بالا کشف کنید یک مدل آماری پراکنده تنها دارای تعداد کمی پارامتر یا وزن غیرصفر است. بنابراین، تخمین و تفسیر آن بسیار آسان تر از یک مدل متراکم است. یادگیری آماری با پراکندگی: کمند و تعمیم روش‌هایی را ارائه می‌کنند که از پراکندگی برای کمک به بازیابی سیگنال اصلی در مجموعه‌ای از داده‌ها استفاده می‌کنند. کارشناسان برتر در این زمینه به سرعت در حال تکامل، نویسندگان کمند را برای رگرسیون خطی و یک الگوریتم نزول مختصات ساده برای محاسبه آن توصیف می‌کنند. آنها در مورد کاربرد جریمه های l1 برای مدل های خطی تعمیم یافته و ماشین های برداری پشتیبانی می کنند، جریمه های تعمیم یافته مانند شبکه الاستیک و کمند گروهی را پوشش می دهند و روش های عددی را برای بهینه سازی مرور می کنند. آن‌ها همچنین روش‌های استنتاج آماری را برای مدل‌های برازش (کند)، از جمله راه‌انداز، روش‌های بیزی و رویکردهای اخیراً توسعه‌یافته ارائه می‌کنند. علاوه بر این، این کتاب تجزیه ماتریس، تجزیه و تحلیل چند متغیره پراکنده، مدل‌های گرافیکی و سنجش فشرده را بررسی می‌کند. با بررسی نتایج نظری برای کمند به پایان می رسد. در این عصر داده‌های بزرگ، تعداد ویژگی‌های اندازه‌گیری شده روی یک شخص یا شی می‌تواند زیاد باشد و ممکن است بیشتر از تعداد مشاهدات باشد. این کتاب نشان می دهد که چگونه فرض پراکندگی به ما اجازه می دهد تا با این مشکلات مقابله کنیم و الگوهای مفید و قابل تکرار را از مجموعه داده های بزرگ استخراج کنیم. تحلیلگران داده، دانشمندان کامپیوتر و نظریه پردازان از این درمان کامل و به روز مدل سازی آماری پراکنده قدردانی خواهند کرد.

توضیحاتی درمورد کتاب به خارجی

Discover New Methods for Dealing with High-Dimensional Data A sparse statistical model has only a small number of nonzero parameters or weights; therefore, it is much easier to estimate and interpret than a dense model. Statistical Learning with Sparsity: The Lasso and Generalizations presents methods that exploit sparsity to help recover the underlying signal in a set of data. Top experts in this rapidly evolving field, the authors describe the lasso for linear regression and a simple coordinate descent algorithm for its computation. They discuss the application of l1 penalties to generalized linear models and support vector machines, cover generalized penalties such as the elastic net and group lasso, and review numerical methods for optimization. They also present statistical inference methods for fitted (lasso) models, including the bootstrap, Bayesian methods, and recently developed approaches. In addition, the book examines matrix decomposition, sparse multivariate analysis, graphical models, and compressed sensing. It concludes with a survey of theoretical results for the lasso. In this age of big data, the number of features measured on a person or object can be large and might be larger than the number of observations. This book shows how the sparsity assumption allows us to tackle these problems and extract useful and reproducible patterns from big datasets. Data analysts, computer scientists, and theorists will appreciate this thorough and up-to-date treatment of sparse statistical modeling.