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: Allen Mclntosh (auth.)
سری: Lecture Notes in Statistics 10
ISBN (شابک) : 9780387907468, 9781461257523
ناشر: Springer-Verlag New York
سال نشر: 1982
تعداد صفحات: 207
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Fitting Linear Models: An Application of Conjugate Gradient Algorithms 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 برازش مدلهای خطی: کاربرد الگوریتمهای گرادیان مزدوج 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.
افزایش قدرت و کاهش قیمت رایانههای کوچک، بهویژه رایانههای \"شخصی\" باعث محبوبیت روزافزون آنها در تجزیه و تحلیل آماری شده است. شاید روزی دور نباشد که هر آمارشناس قدرت محاسباتی روی دسکتاپ خود را با کامپیوترهای بزرگ 15 یا 20 سال پیش داشته باشد. همین عوامل به دست آوردن و دستکاری مقادیر زیادی از داده ها را نسبتاً آسان می کند و آماردانان می توانند انتظار افزایش متناظر در اندازه مجموعه داده هایی را داشته باشند که باید تجزیه و تحلیل کنند. متأسفانه، به دلیل محدودیت های اعمال شده توسط معماری، اندازه یا قیمت، این رایانه های کوچک حافظه اصلی پسرعموهای بزرگ خود را ندارند. بنابراین، نیاز فزاینده ای به الگوریتم هایی وجود دارد که به اندازه کافی فضا را مقرون به صرفه باشند تا امکان تجزیه و تحلیل آماری را در رایانه های کوچک فراهم کنند. یکی از حوزههای تحلیل که در آن نیاز به الگوریتمهایی است که فضا مقرون به صرفه باشند، برازش مدلهای خطی است.
The increasing power and decreasing price of smalI computers, especialIy "personal" computers, has made them increasingly popular in statistical analysis. The day may not be too far off when every statistician has on his or her desktop computing power on a par with the large mainframe computers of 15 or 20 years ago. These same factors make it relatively easy to acquire and manipulate large quantities of data, and statisticians can expect a corresponding increase in the size of the datasets that they must analyze. Unfortunately, because of constraints imposed by architecture, size or price, these smalI computers do not possess the main memory of their large cousins. Thus, there is a growing need for algorithms that are sufficiently economical of space to permit statistical analysis on smalI computers. One area of analysis where there is a need for algorithms that are economical of space is in the fitting of linear models.
Front Matter....Pages i-vi
Preliminaries....Pages 1-7
The Linear Model....Pages 8-25
The Conjugate Gradient Algorithm....Pages 26-40
Applications: The Non-Full Rank Case....Pages 41-67
Applications: The Full Rank Case....Pages 68-101
Examples: Gaussian Linear Models....Pages 102-115
Examples: Generalized Linear Models....Pages 116-124
Concluding Remarks....Pages 125-126
Back Matter....Pages 127-201