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: 1
نویسندگان: Norman Matloff
سری: Chapman & Hall/CRC Texts in Statistical Science
ISBN (شابک) : 1498710913, 9781498710916
ناشر: Chapman and Hall/CRC
سال نشر: 2017
تعداد صفحات: 532
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Statistical Regression and Classification: From Linear Models to Machine Learning 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 رگرسیون آماری و طبقه بندی: از مدل های خطی تا یادگیری ماشین 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.
رگرسیون آماری و طبقهبندی: از مدلهای خطی تا یادگیری ماشین نگاهی نوآورانه به دوره رگرسیون آماری سنتی دارد و یک درمان معاصر را مطابق با برنامههای کاربردی و کاربران امروزی ارائه میدهد. متن نگاهی مدرن به رگرسیون دارد:
* یک بررسی کامل از مدلهای خطی کلاسیک و تعمیم یافته، تکمیل شده با مطالب مقدماتی در مورد روشهای یادگیری ماشین.
* از آنجایی که طبقهبندی تمرکز اصلی است. از بسیاری از کاربردهای معاصر، این کتاب به طور مفصل این موضوع را پوشش میدهد، بهویژه موارد چند کلاسه.
* با توجه به ماهیت حجیم بسیاری از مجموعههای داده مدرن، فصلی در مورد دادههای بزرگ وجود دارد.
P>* دارای بخشهای ویژه ریاضی و محاسباتی در انتهای فصلها است و تمرینها به مسائل دادهها، ریاضیات و مکملها تقسیم میشوند.
* مدرسان میتوانند پوشش را برای مخاطبان خاص مانند رشتههای آمار، علوم کامپیوتر طراحی کنند. ، یا اقتصاد.
* بیش از 75 مثال با استفاده از داده های واقعی.
این کتاب روش های رگرسیون کلاسیک را به شیوه ای نوآورانه و معاصر بررسی می کند. اگرچه برخی از روشهای یادگیری آماری معرفی شدهاند، روش اولیه مورد استفاده، مدلهای پارامتری خطی خطی و تعمیمیافته است که هم اهداف توصیف و هم پیشبینی روشهای رگرسیون را پوشش میدهد. نویسنده به همان اندازه به کاربردهای توصیفی رگرسیون، مانند اندازه گیری شکاف دستمزد جنسیتی در سیلیکون ولی، علاقه مند است، همانطور که به پیش بینی تقاضای فردا برای اجاره دوچرخه علاقه مند است. یک فصل کامل به اندازهگیری چنین تأثیراتی، از جمله بحث در مورد پارادوکس سیمپسون، استنتاج چندگانه و مسائل علیت اختصاص یافته است. به طور مشابه، یک فصل کامل از برازش مدل پارامتری وجود دارد که از تحلیل باقیمانده و ارزیابی از طریق تحلیل ناپارامتریک استفاده میکند.
Norman Matloff یک استاد است. دانش آموخته علوم کامپیوتر در دانشگاه کالیفرنیا، دیویس، و بنیانگذار بخش آمار در آن موسسه بود. تمرکز تحقیقات فعلی او بر روی سیستمهای توصیهکننده و کاربرد روشهای رگرسیون برای تخمین ناحیه کوچک و کاهش سوگیری در مطالعات مشاهدهای است. او در هیئت تحریریه Journal of Statistical Computation و R Journal است. او یک معلم برنده جایزه، نویسنده هنر برنامه نویسی R و محاسبات موازی در علم داده: با مثال هایی در R، C++ و CUDA است.
Statistical Regression and Classification: From Linear Models to Machine Learning takes an innovative look at the traditional statistical regression course, presenting a contemporary treatment in line with today's applications and users. The text takes a modern look at regression:
* A thorough treatment of classical linear and generalized linear models, supplemented with introductory material on machine learning methods.
* Since classification is the focus of many contemporary applications, the book covers this topic in detail, especially the multiclass case.
* In view of the voluminous nature of many modern datasets, there is a chapter on Big Data.
* Has special Mathematical and Computational Complements sections at ends of chapters, and exercises are partitioned into Data, Math and Complements problems.
* Instructors can tailor coverage for specific audiences such as majors in Statistics, Computer Science, or Economics.
* More than 75 examples using real data.
The book treats classical regression methods in an innovative, contemporary manner. Though some statistical learning methods are introduced, the primary methodology used is linear and generalized linear parametric models, covering both the Description and Prediction goals of regression methods. The author is just as interested in Description applications of regression, such as measuring the gender wage gap in Silicon Valley, as in forecasting tomorrow's demand for bike rentals. An entire chapter is devoted to measuring such effects, including discussion of Simpson's Paradox, multiple inference, and causation issues. Similarly, there is an entire chapter of parametric model fit, making use of both residual analysis and assessment via nonparametric analysis.
Norman Matloff is a professor of computer science at the University of California, Davis, and was a founder of the Statistics Department at that institution. His current research focus is on recommender systems, and applications of regression methods to small area estimation and bias reduction in observational studies. He is on the editorial boards of the Journal of Statistical Computation and the R Journal. An award-winning teacher, he is the author of The Art of R Programming and Parallel Computation in Data Science: With Examples in R, C++ and CUDA.