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 Tree-Based Methods for Statistical Learning in R: A Practical Introduction with Applications in R

دانلود کتاب روش‌های مبتنی بر درخت برای یادگیری آماری در R: مقدمه‌ای عملی با کاربردها در R

Tree-Based Methods for Statistical Learning in R: A Practical Introduction with Applications in R

مشخصات کتاب

Tree-Based Methods for Statistical Learning in R: A Practical Introduction with Applications in R

ویرایش:  
نویسندگان:   
سری: Chapman & Hall/CRC Data Science Series 
ISBN (شابک) : 0367532468, 9780367532468 
ناشر: CRC Press 
سال نشر: 2022 
تعداد صفحات: 388
[405] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 29 Mb 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Tree-Based Methods for Statistical Learning in R: A Practical Introduction with Applications in 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 روش‌های مبتنی بر درخت برای یادگیری آماری در R: مقدمه‌ای عملی با کاربردها در 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 روش‌های مبتنی بر درخت برای یادگیری آماری در R: مقدمه‌ای عملی با کاربردها در R



روش‌های مبتنی بر درخت برای یادگیری آماری در R مقدمه‌ای کامل برای الگوریتم‌های درخت تصمیم فردی (بخش اول) و مجموعه‌های آن‌ها (قسمت دوم) فراهم می‌کند. بخش اول کتاب چندین الگوریتم درختی مختلف، هم معمولی و هم امروزی را مورد توجه قرار می‌دهد. ایجاد یک پایه قوی برای نحوه عملکرد درخت های تصمیم گیری فردی به خوانندگان کمک می کند تا مجموعه های مبتنی بر درخت را در سطح عمیق تری درک کنند، که در لبه برش روش های آماری و یادگیری ماشینی مدرن قرار دارند.

< span>این کتاب بیشتر ایده‌ها و مفاهیم ریاضی را با مثال‌های مبتنی بر کد در زبان آماری R دنبال می‌کند. با تاکید بر استفاده از بسته های خارجی تا حد امکان. برای مثال، کاربران با استفاده از حلقه‌های ساده و نرم‌افزارهای پایه درختی (مانند rpart و <) در معرض نوشتن توابع تقویت جنگل تصادفی و درخت گرادیان خود قرار خواهند گرفت. span>party/partykit)، و موارد دیگر. فصل‌های اصلی نیز با بخش مفصلی در مورد نرم‌افزار مربوطه در R و سایر گزینه‌های متن‌باز (مانند پایتون، اسپارک و جولیا) و استفاده از نمونه در مجموعه‌های داده واقعی پایان می‌یابند. در حالی که این کتاب بیشتر از R استفاده می کند، اما قرار است برای برنامه نویسان غیر R به همان اندازه در دسترس و مفید باشد.

مصرف کنندگان این کتاب پایه محکمی (و قدردانی) به دست آورده اند. برای روش‌های مبتنی بر درخت و اینکه چگونه می‌توان از آن‌ها برای حل مشکلات عملی و چالش‌هایی که دانشمندان داده اغلب در کارهای کاربردی با آن مواجه هستند، استفاده کرد.

ویژگی‌ها:

< ul>
  • پوشش کامل، از پایه، روش‌های مبتنی بر درخت (مانند CART، درختان استنتاج شرطی، بسته‌بندی، تقویت، و جنگل‌های تصادفی).<. /p>

  • یک وب‌سایت همراه که حاوی مطالب تکمیلی و کدی برای بازتولید هر مثال و شکل در کتاب است.</ li>
    • یک بسته R همراه، به نام treemisc، که شامل چندین مجموعه داده و توابع مورد استفاده در سراسر کتاب است (به عنوان مثال، یک پیاده سازی وجود دارد تقویت درخت گرادیان با از دست دادن LAD که نشان می دهد چگونه می توان مرحله جستجوی خط را با به روز رسانی تخمین گره ترمینال یک درخت rpart نصب شده انجام داد.
    • نمونه های جالبی که کاربرد عملی دارند. به عنوان مثال، نحوه ساخت نمودارهای وابستگی جزئی از یک مدل برازش شده در Spark MLlib (فقط با استفاده از عملیات Spark)، یا مجموعه‌های درخت پس از پردازش از طریق LASSO برای کاهش تعداد درخت‌ها در حین حفظ یا حتی بهبود عملکرد.

  • توضیحاتی درمورد کتاب به خارجی

    Tree-based Methods for Statistical Learning in R provides a thorough introduction to both individual decision tree algorithms (Part I) and ensembles thereof (Part II). Part I of the book brings several different tree algorithms into focus, both conventional and contemporary. Building a strong foundation for how individual decision trees work will help readers better understand tree-based ensembles at a deeper level, which lie at the cutting edge of modern statistical and machine learning methodology.

    The book follows up most ideas and mathematical concepts with code-based examples in the R statistical language; with an emphasis on using as few external packages as possible. For example, users will be exposed to writing their own random forest and gradient tree boosting functions using simple for loops and basic tree fitting software (like rpart and party/partykit), and more. The core chapters also end with a detailed section on relevant software in both R and other opensource alternatives (e.g., Python, Spark, and Julia), and example usage on real data sets. While the book mostly uses R, it is meant to be equally accessible and useful to non-R programmers.

    Consumers of this book will have gained a solid foundation (and appreciation) for tree-based methods and how they can be used to solve practical problems and challenges data scientists often face in applied work.

    Features:

    • Thorough coverage, from the ground up, of tree-based methods (e.g., CART, conditional inference trees, bagging, boosting, and random forests).

    • A companion website containing additional supplementary material and the code to reproduce every example and figure in the book.
    • A companion R package, called treemisc, which contains several data sets and functions used throughout the book (e.g., there’s an implementation of gradient tree boosting with LAD loss that shows how to perform the line search step by updating the terminal node estimates of a fitted rpart tree).
    • Interesting examples that are of practical use; for example, how to construct partial dependence plots from a fitted model in Spark MLlib (using only Spark operations), or post-processing tree ensembles via the LASSO to reduce the number of trees while maintaining, or even improving performance.




    نظرات کاربران