مشخصات کتاب

Sufficient Dimension Reduction : Methods and Applications with R

ویرایش:  
نویسندگان: Li. Bing  
سری: Monographs on statistics and applied probability (Series) 161 
ISBN (شابک) : 9781315119427, 1351645730 
ناشر: CRC Press 
سال نشر: 2018 
تعداد صفحات: 307 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 42 Mb 

در صورت تبدیل فایل کتاب Sufficient Dimension Reduction : Methods and Applications with R 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 کاهش ابعاد کافی: روش ها و کاربردها با R 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 کاهش ابعاد کافی: روش ها و کاربردها با R

کاهش ابعاد کافی یک زمینه تحقیقاتی به سرعت در حال توسعه است که کاربردهای گسترده ای در تشخیص رگرسیون، تجسم داده ها، یادگیری ماشین، ژنومیک، پردازش تصویر، تشخیص الگو و پزشکی دارد، زیرا آنها زمینه هایی هستند که مجموعه داده های بزرگی با تعداد زیادی متغیر تولید می کنند. کاهش ابعاد کافی: روش‌ها و کاربردها با Rin تئوری‌های اساسی و متدولوژی‌های اصلی را معرفی می‌کند، الگوریتم‌ها و کدهای رایانه‌ای کاربردی و کاربردی و آسان برای پیاده‌سازی این متدولوژی‌ها را ارائه می‌دهد. و پیشرفت های اخیر در مرزهای این حوزه را بررسی می کند. ویژگی ها پوشش جامعی از این زمینه تحقیقاتی در حال ظهور ارائه می دهد. طیف گسترده‌ای از روش‌های کاهش ابعاد را تحت چند اصل متحدکننده مانند طرح ریزی در فضاهای هیلبرت، نقشه‌برداری هسته و بسط فون میزس ترکیب می‌کند. منعکس کننده جدیدترین پیشرفت‌ها مانند کاهش ابعاد کافی غیرخطی، تا کردن ابعاد برای داده‌های تانسوری، و همچنین کاهش ابعاد کافی برای داده‌های عملکردی است. شامل مجموعه ای از کدهای کامپیوتری نوشته شده با R است که به راحتی توسط خوانندگان پیاده سازی می شود. از مجموعه داده های واقعی موجود به صورت آنلاین برای نشان دادن استفاده و قدرت روش های توصیف شده استفاده می کند. کاهش ابعاد کافی در سال‌های اخیر توسعه چشمگیری داشته است، تا حدی به دلیل افزایش تقاضا برای تکنیک‌هایی برای پردازش داده‌های با ابعاد بالا، مشخصه بارز عصر ما از داده‌های بزرگ. این کتاب به عنوان یک ورودی عالی به این حوزه برای محققان مبتدی یا یک مرجع مفید برای افراد پیشرفته خواهد بود.-- توسط ناشر ارائه شده است. بیشتر بخوانید..
چکیده: کاهش ابعاد کافی یک زمینه تحقیقاتی به سرعت در حال توسعه است که کاربردهای گسترده ای در تشخیص رگرسیون، تجسم داده ها، یادگیری ماشین، ژنومیک، پردازش تصویر، تشخیص الگو و پزشکی، زیرا آنها زمینه هایی هستند که مجموعه داده های بزرگی را با تعداد زیادی متغیر تولید می کنند. کاهش ابعاد کافی: روش‌ها و کاربردها با Rin تئوری‌های اساسی و متدولوژی‌های اصلی را معرفی می‌کند، الگوریتم‌ها و کدهای رایانه‌ای کاربردی و کاربردی را برای پیاده‌سازی این روش‌ها ارائه می‌دهد و پیشرفت‌های اخیر در مرزهای این حوزه را بررسی می‌کند. ویژگی ها پوشش جامعی از این زمینه تحقیقاتی در حال ظهور ارائه می دهد. طیف گسترده‌ای از روش‌های کاهش ابعاد را تحت چند اصل وحدت‌بخش مانند طرح‌ریزی در فضاهای هیلبرت، نقشه‌برداری هسته و بسط فون میزس ترکیب می‌کند. منعکس کننده پیشرفت های اخیر مانند کاهش ابعاد کافی غیرخطی، تاشو ابعاد برای داده های تانسوری، و همچنین کاهش ابعاد کافی برای داده های عملکردی است. شامل مجموعه ای از کدهای کامپیوتری نوشته شده با R است که به راحتی توسط خوانندگان پیاده سازی می شود. از مجموعه داده های واقعی موجود به صورت آنلاین برای نشان دادن استفاده و قدرت روش های توصیف شده استفاده می کند. کاهش ابعاد کافی در سال‌های اخیر توسعه چشمگیری داشته است، تا حدی به دلیل افزایش تقاضا برای تکنیک‌هایی برای پردازش داده‌های با ابعاد بالا، مشخصه بارز عصر ما از داده‌های بزرگ. این کتاب به عنوان یک ورودی عالی به این حوزه برای محققان مبتدی یا یک مرجع مفید برای افراد پیشرفته خواهد بود.-- ارائه شده توسط ناشر

توضیحاتی درمورد کتاب به خارجی

Sufficient dimension reduction is a rapidly developing research field that has wide applications in regression diagnostics, data visualization, machine learning, genomics, image processing, pattern recognition, and medicine, because they are fields that produce large datasets with a large number of variables. Sufficient Dimension Reduction: Methods and Applications with Rintroduces the basic theories and the main methodologies, provides practical and easy-to-use algorithms and computer codes to implement these methodologies, and surveys the recent advances at the frontiers of this field. Features Provides comprehensive coverage of this emerging research field. Synthesizes a wide variety of dimension reduction methods under a few unifying principles such as projection in Hilbert spaces, kernel mapping, and von Mises expansion. Reflects most recent advances such as nonlinear sufficient dimension reduction, dimension folding for tensorial data, as well as sufficient dimension reduction for functional data. Includes a set of computer codes written in R that are easily implemented by the readers. Uses real data sets available online to illustrate the usage and power of the described methods. Sufficient dimension reduction has undergone momentous development in recent years, partly due to the increased demands for techniques to process high-dimensional data, a hallmark of our age of Big Data. This book will serve as the perfect entry into the field for the beginning researchers or a handy reference for the advanced ones.--Provided by publisher. Read more...
Abstract: Sufficient dimension reduction is a rapidly developing research field that has wide applications in regression diagnostics, data visualization, machine learning, genomics, image processing, pattern recognition, and medicine, because they are fields that produce large datasets with a large number of variables. Sufficient Dimension Reduction: Methods and Applications with Rintroduces the basic theories and the main methodologies, provides practical and easy-to-use algorithms and computer codes to implement these methodologies, and surveys the recent advances at the frontiers of this field. Features Provides comprehensive coverage of this emerging research field. Synthesizes a wide variety of dimension reduction methods under a few unifying principles such as projection in Hilbert spaces, kernel mapping, and von Mises expansion. Reflects most recent advances such as nonlinear sufficient dimension reduction, dimension folding for tensorial data, as well as sufficient dimension reduction for functional data. Includes a set of computer codes written in R that are easily implemented by the readers. Uses real data sets available online to illustrate the usage and power of the described methods. Sufficient dimension reduction has undergone momentous development in recent years, partly due to the increased demands for techniques to process high-dimensional data, a hallmark of our age of Big Data. This book will serve as the perfect entry into the field for the beginning researchers or a handy reference for the advanced ones.--Provided by publisher

فهرست مطالب

Content: Cover
 Half Title
 Monographs
 Title
 Copyright
 Dedication
 Contents
 List of Figures
 List of Tables
 Preface
 Author
 Chapter 1 Preliminaries
 1.1 Empirical Distribution and Sample Moments
 1.2 Principal Component Analysis
 1.3 Generalized Eigenvalue Problem
 1.4 Multivariate Linear Regression
 1.5 Generalized Linear Model
 1.5.1 Exponential Family
 1.5.2 Generalized Linear Models
 1.6 Hilbert Space, Linear Manifold, Linear Subspace
 1.7 Linear Operator and Projection
 1.8 The Hilbert Space Rp(S
 1.9 Coordinate Representation
 1.10 Generalized Linear Models under Link Violation. Chapter 2 Dimension Reduction Subspaces2.1 Conditional Independence
 2.2 Sufficient Dimension Reduction Subspace
 2.3 Transformation Laws of Central Subspace
 2.4 Fisher Consistency, Unbiasedness, and Exhaustiveness
 Chapter 3 Sliced Inverse Regression
 3.1 Sliced Inverse Regression: Population-Level Development
 3.2 Limitation of SIR
 3.3 Estimation, Algorithm, and R-codes
 3.4 Application: The Big Mac Index
 Chapter 4 Parametric and Kernel Inverse Regression
 4.1 Parametric Inverse Regression
 4.2 Algorithm, R Codes, and Application
 4.3 Relation of PIR with SIR. 4.4 Relation of PIR with Ordinary Least Squares4.5 Kernel Inverse Regression
 Chapter 5 Sliced Average Variance Estimate
 5.1 Motivation
 5.2 Constant Conditional Variance Assumption
 5.3 Sliced Average Variance Estimate
 5.4 Algorithm and R-code
 5.5 Relation with SIR
 5.6 The Issue of Exhaustiveness
 5.7 SIR-II
 5.8 Case Study: The Pen Digit Data
 Chapter 6 Contour Regression and Directional Regression
 6.1 Contour Directions and Central Subspace
 6.2 Contour Regression at the Population Level
 6.3 Algorithm and R Codes for CR
 6.4 Exhaustiveness of Contour Regression. 6.5 Directional Regression6.6 Representation of LDR Using Moments
 6.7 Algorithm and R Codes for DR
 6.8 Exhaustiveness Relation with SIR and SAVE
 6.9 Pen Digit Case Study Continued
 Chapter 7 Elliptical Distribution and Predictor Transformation
 7.1 Linear Conditional Mean and Elliptical Distribution
 7.2 Box-Cox Transformation
 7.3 Application to the Big Mac Data
 7.4 Estimating Equations for Handling Non-Ellipticity
 Chapter 8 Sufficient Dimension Reduction for Conditional Mean
 8.1 Central Mean Subspace
 8.2 Ordinary Least Squares
 8.3 Principal Hessian Direction. 8.4 Iterative Hessian TransformationChapter 9 Asymptotic Sequential Test for Order Determination
 9.1 Stochastic Ordering and Von Mises Expansion
 9.2 Von Mises Expansion and Influence Functions
 9.3 Influence Functions of Some Statistical Functionals
 9.4 Random Matrix with Affine Invariant Eigenvalues
 9.5 Asymptotic Distribution of the Sum of Small Eigenvalues
 9.6 General Form of the Sequential Tests
 9.7 Sequential Test for SIR
 9.8 Sequential Test for PHD
 9.9 Sequential Test for SAVE
 9.10 Sequential Test for DR
 9.11 Applications
 Chapter 10 Other Methods for Order Determination.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Probability: For the Enthusiastic Beginner

دانلود کتاب Tomoko Fuse - Kusudamas

دانلود کتاب Maximinus Thrax: from common soldier to Emperor of Rome

دانلود کتاب Being British: What's Wrong With It?

دانلود کتاب Big Law Confidential: The Comprehensive Guide to the Large Law Firm Work Experience in the U.S.