دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Survival Analysis with Python
دانلود کتاب تجزیه و تحلیل بقا با پایتون
مشخصات کتاب
Survival Analysis with Python
ویرایش: 1
نویسندگان: Avishek Nag
سری:
ISBN (شابک) : 1032148268, 9781032148267
ناشر: Auerbach Publications
سال نشر: 2021
تعداد صفحات: 94
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Survival Analysis with Python 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 با پایتون 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 با پایتون
مدل های ناپارامتریک شامل:
< ul>
برآورنده Kaplan-Meier (KM)، مشتق از بیان با استفاده از MLE
تحلیل بقا از آمار برای محاسبه زمان شکست استفاده می کند. تجزیه و تحلیل بقا با پایتون نگاهی تازه به این موضوع پیچیده با توضیح نحوه استفاده از زبان برنامه نویسی پایتون برای انجام این نوع تجزیه و تحلیل دارد، از آنجایی که خود موضوع بسیار ریاضی و پر از عبارات و فرمول بندی است، کتاب توضیحات مفصلی ارائه می دهد. و مفاهیم عملی را بررسی می کند. کتاب با مروری بر مفاهیم زیربنای تجزیه و تحلیل بقای آماری آغاز می شود. سپس به این موارد می پردازد:
- مدل های پارامتریک با پوشش:
- مفهوم تخمین حداکثر درستنمایی (MLE) یک پارامتر توزیع احتمال
- MLE تابع بقا
- توزیع های احتمال رایج و تجزیه و تحلیل آنها
- تحلیل توزیع نمایی به عنوان یک تابع بقا < li>تجزیه و تحلیل توزیع Weibull به عنوان یک تابع بقا
- اشتقاق توزیع Gumbel به عنوان یک تابع بقا از Weibull
- تناسب تخمین‌گر KM با مجموعه داده‌ای نمونه، کد پایتون و رسم منحنی‌ها
- فرمول های گرین وود و مشتق آن
- مدل هایی با متغیرهای کمکی که توضیح می دهند:
- مفهوم جابجایی زمانی و مدل زمان عمر تسریع شده (AFT)< /li>
- مدل Weibull AFT و استخراج پارامترها توسط MLE
- مدل خطر متناسب (PH)< /li>
- مدل Cox-PH
- اهمیت متغیرهای کمکی
- انتخاب متغیرهای کمکی
Python lifelines کتابخانه برای کدنویسی نمونه ها استفاده می شود. این کتاب یک آموزش عملی و همچنین یک مرجع مفید است.
توضیحاتی درمورد کتاب به خارجی
Survival analysis uses statistics to calculate time to failure. Survival Analysis with Python takes a fresh look at this complex subject by explaining how to use the Python programming language to perform this type of analysis As the subject itself is very mathematical and full of expressions and formulations, the book provides detailed explanations and examines practical implications. The book begins with an overview of the concepts underpinning statistical survival analysis. It then delves into:
- Parametric models with coverage of:
- Concept of maximum likelihood estimate (MLE) of a probability distribution parameter
- MLE of the survival function
- Common probability distributions and their analysis
- Analysis of exponential distribution as a survival function
- Analysis of Weibull distribution as a survival function
- Derivation of Gumbel distribution as a survival function from Weibull
- The concept of time shift and the Accelerated Life Time model (AFT)
- Weibull AFT model and derivation of parameters by MLE
- Proportional Hazard (PH) model
- Cox-PH model
- Significance of covariates
- Selection of covariates
The Python lifelines library is used for coding examples. Mapping theory to practical examples featuring datasets, the book is a hands-on tutorial as well as a handy reference.
فهرست مطالب
Cover Half Title Title Page Copyright Page Contents Preface About the Author 1. Introduction Concept of Failure Time Concept of Survival Censoring Right Censoring Left Censoring Interval Censoring Sample Dataset Structure Control and Treatment Group Risk Set Comparison with Regression 2. General Theory of Survival Analysis Survival Function Hazard Function Analysis of Relationships Estimating Survival Distribution Predicting Survival Probability Computing Accuracy Mean and Median Survival Time 3. Parametric Models Maximum Likelihood Estimation (MLE) of Parameters MLE for Survival Function Weibull Distribution MLE for ρ and κ Newton–Raphson Method for Solving MLE Equation Confidence Intervals of Survival Function Gumbel Distribution Transformation of Variables for Integrals – Jacobian Inception of Gumbel Distribution Survival and Hazard Function of Gumbel Distribution Exponential Distribution MLE for ρ Comparison of Models Akaike Information Criterion (AIC) 4. Non-Parametric Models Kaplan–Meier Estimator Derivation of SKM(t) Computation of Survival Function for Unknown Time Instance Confidence Intervals of the Survival Function – Greenwood’s Estimator Log-Rank Test Analysis of Log-Rank Test 5. Models with Covariates Accelerated Life Model Weibull-AFT Model Determining Parameters β, κ, ρ for Weibull-AFT Plotting Baseline vs Original Survival Function Stepwise Computation of Relation S1(t, β) = S0(teβ.x) Proportional Hazard Model Hazard Ratio Cox-PH Model Breslow’s Method Plotting Baseline vs Original Hazard Function Computing Hazard Ratio Weibull–Cox Model Determining Parameters β, κ, ρ for Weibull–Cox Significance of Covariates Wald Test Likelihood Ratio Test Selection of Covariates Forward Selection Algorithm Explainability of Models Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Revue technique automobile : Fiat Punto, depuis Octobre 1999
دانلود کتاب The quality of qualitative research
دانلود کتاب Supervision auf dem Prüfstand: Wirksamkeit, Forschung, Anwendungsfelder, Innovation
دانلود کتاب Bailout Over Normandy: a Flyboy's Adventures with the French Resistance and Other Escapades in Occupied France
