ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Survival Analysis

دانلود کتاب تجزیه و تحلیل بقا

Survival Analysis

مشخصات کتاب

Survival Analysis

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 0367030373, 9780367030377 
ناشر: Chapman and Hall/CRC 
سال نشر: 2022 
تعداد صفحات: 284
[303] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 Mb

قیمت کتاب (تومان) : 46,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Survival Analysis 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 تجزیه و تحلیل بقا 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 تجزیه و تحلیل بقا



تجزیه و تحلیل بقا عموماً با تجزیه و تحلیل داده های حاصل از آزمایشات بالینی سروکار دارد. سانسور، کوتاه کردن، و داده های از دست رفته چالش های تحلیلی ایجاد می کند و روش های آماری و استنتاج نیازمند رویکردهای جدید و متفاوتی برای تجزیه و تحلیل است. خواص آماری، اساساً مجانبی، تخمین‌گرها و آزمون‌ها به درستی در چارچوب فرآیند شمارش که از بازوی بزرگ‌تر حساب تصادفی استخراج می‌شود، استفاده می‌شود. با انفجار تولید داده در دو دهه گذشته، داده های بقا نیز با فرض یک اندازه غول پیکر بزرگ شده اند. بیشتر روش‌های آماری توسعه‌یافته قبل از هزاره، حتی در مواجهه با ماهیت پیچیده داده‌های بقا، مبتنی بر رویکرد خطی بودند. روش‌های غیرخطی ناپارامتری به بهترین وجه در مدرسه یادگیری ماشین پیش‌بینی می‌شوند. این کتاب سعی می‌کند همه این جنبه‌ها را به‌صورت مختصر پوشش دهد.

تحلیل بقاترکیبی از روش‌های آماری و یادگیری ماشینی را ارائه می‌دهد که در تجزیه و تحلیل مفید است. داده های بقا هدف از ارائه این است که روندهای یادگیری ماشین را برای تجزیه و تحلیل داده های مادام العمر نشان دهد.

ویژگی ها:

  • تکنیک‌های تحلیل بقای کلاسیک برای تخمین عملکرد آماری و آزمون فرضیه‌ها
  • روش‌های رگرسیونی که مدل رگرسیون ریسک نسبی کاکس، آلن را پوشش می‌دهد. مدل خطرات افزایشی و غیره.
  • معیارهای اطلاعاتی برای تسهیل انتخاب مدل از جمله آکایک، بیز، و متمرکز</ li>
  • روش‌های جریمه‌شده
  • درختان بقا و تکنیک‌های گروه‌بندی، تقویت، و جنگل‌های بقای تصادفی</ span>
  • معرفی مختصر از شبکه های عصبی برای داده های بقا
  • R تصویرسازی برنامه در سراسر کتاب

توضیحاتی درمورد کتاب به خارجی

Survival analysis generally deals with analysis of data arising from clinical trials. Censoring, truncation, and missing data create analytical challenges and the statistical methods and inference require novel and different approaches for analysis. Statistical properties, essentially asymptotic ones, of the estimators and tests are aptly handled in the counting process framework which is drawn from the larger arm of stochastic calculus. With explosion of data generation during the past two decades, survival data has also enlarged assuming a gigantic size. Most statistical methods developed before the millennium were based on a linear approach even in the face of complex nature of survival data. Nonparametric nonlinear methods are best envisaged in the Machine Learning school. This book attempts to cover all these aspects in a concise way.

Survival Analysisoffers an integrated blend of statistical methods and machine learning useful in analysis of survival data. The purpose of the offering is to give an exposure to the machine learning trends for lifetime data analysis.

Features:

  • Classical survival analysis techniques for estimating statistical functional and hypotheses testing
  • Regression methods covering the popular Cox relative risk regression model, Aalen’s additive hazards model, etc.
  • Information criteria to facilitate model selection including Akaike, Bayes, and Focused
  • Penalized methods
  • Survival trees and ensemble techniques of bagging, boosting, and random survival forests
  • A brief exposure of neural networks for survival data
  • R program illustration throughout the book


فهرست مطالب

Cover
Half Title
Title Page
Copyright Page
Dedication
Contents
Preface
Author Bios
Symbol Description
Acronyms
I. Classical Survival Analysis
	1. Lifetime Data and Concepts
		1.1. Introduction
		1.2. Survival Datasets
			1.2.1. Lifetimes of Sheep
			1.2.2. Mayo Clinic Primary Biliary Cirrhosis Study
			1.2.3. Chronic Granulotomous Disease Study
			1.2.4. Bone Marrow Transplant Data for Leukemia
			1.2.5. Heart Transplant Monitoring Data
			1.2.6. Netherlands Cancer Institute Seventy Gene Signature
		1.3. Basic Survival Analysis Concepts
			1.3.1. Survival Function
			1.3.2. Hazard Rate and Cumulative Hazard Function
		1.4. Statistical Inference for Survival Data
		1.5. Machine Learning Inception
		1.6. Roadmap
	2. Core Concepts
		2.1. Introduction
		2.2. Lifetime Distributions
			2.2.1. Univariate Lifetime Distributions
			2.2.2. Multivariate Lifetime Distributions
		2.3. Generalized Lifetime Distributions
		2.4. Censoring in Lifetime Studies
		2.5. Handling Missing Data with EM Algorithm
		2.6. Counting Process Approach to Survival Analysis
		2.7. Multi-state Models
		2.8. Exercises
		2.9. Mas Lejos Temas
	3. Inference—Estimation
		3.1. Introduction
		3.2. Nonparametric Estimation
			3.2.1. Nelson-Aalen Estimator
			3.2.2. Kaplan-Meier Estimator
			3.2.3. Mean and Median Survival Times
		3.3. Smoothing the Hazard Rate
		3.4. Estimation in Nonhomogeneous Markov Processes
		3.5. Exercises
		3.6. Mas Lejos Temas
	4. Inference—Statistical Tests
		4.1. Introduction
		4.2. Parametric Tests
		4.3. One-sample Nonparametric Tests
		4.4. k-sample Nonparametric Tests
		4.5. Exercises
		4.6. Mas Lejos Temas
	5. Regression Models
		5.1. Introduction
		5.2. Linear Regression Methods
			5.2.1. Koul-Susarla-van Ryzin Estimator
			5.2.2. Miller's Estimator
			5.2.3. Buckley-James Estimator
		5.3. Relative Risk (Cox) Model
		5.4. Residual Analysis for the Cox Proportional Hazards Regression Model
		5.5. Parametric Regression Models
		5.6. Exercises
		5.7. Mas Lejos Temas
	6. Further Topics in Regression Models
		6.1. Introduction
		6.2. Aalen's Additive Regression Model
		6.3. Regression Based on Pseudo-observations
		6.4. Modeling with Time-Dependent Covariates
		6.5. Exercises
		6.6. Mas Lejos Temas
	7. Model Selection
		7.1. Introduction
		7.2. Model Selection with AIC and BIC
		7.3. FIC Selection
		7.4. Penalization with the Proportional Hazards Model
		7.5. Penalization with Aalen's Semiparametric Hazards Model
		7.6. Exercises
		7.7. Mas Lejos Temas
II. Machine Learning Methods
	Why Machine Learning?
		8. Survival Trees
			8.1. Introduction
			8.2. Machine Learning Terminologies
			8.3. Decision Trees and Node Split Functions
			8.4. Survival Tree
			8.5. Prediction and Variable Importance
			8.6. Understanding Different Facets of Survival Tree
			8.7. Exercises
			8.8. Mas Lejos Temas
		9. Ensemble Survival Analysis
			9.1. Introduction
			9.2. Principle of Ensemble Learning
			9.3. Bagging Survival Trees
			9.4. Random Survival Forests
			9.5. Boosting Algorithm
				9.5.1. Gradient Boosting Algorithm
				9.5.2. Boosting the Cox PH Model
			9.6. Exercises
			9.7. Mas Lejos Temas
		10. Neural Network Survival Analysis
			10.1. Introduction
			10.2. Neural Network Architecture
			10.3. Activation Function
			10.4. Perceptron Model
				10.4.1. Perceptron Learning Algorithm
			10.5. Multi-layer Neural Network
				10.5.1. Backpropagation Algorithm
			10.6. Neural Networks for Survival Analysis
			10.7. Exercises
			10.8. Mas Lejos Temas
		11. Complementary Machine Learning Techniques
Bibliography
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی