دانلود کتاب Introduction to Multivariate Analysis: Linear and Nonlinear Modeling
دسته: آمار ریاضی
کتاب مقدمه ای بر تحلیل چند متغیره: مدل سازی خطی و غیرخطی نسخه زبان اصلی
دانلود کتاب مقدمه ای بر تحلیل چند متغیره: مدل سازی خطی و غیرخطی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Introduction to Multivariate Analysis: Linear and Nonlinear Modeling
نام کتاب : Introduction to Multivariate Analysis: Linear and Nonlinear Modeling
عنوان ترجمه شده به فارسی : مقدمه ای بر تحلیل چند متغیره: مدل سازی خطی و غیرخطی
سری : Texts in statistical science
نویسندگان : Konishi, Sadanori
ناشر : CRC Press
سال نشر : 2014
تعداد صفحات : 336
ISBN (شابک) : 9781466567283 , 1466567287
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 4 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
تکنیک‌های چند متغیره برای تجزیه و تحلیل داده‌هایی که از بیش از یک متغیر ناشی می‌شوند استفاده می‌شود که در آن روابط بین متغیرها وجود دارد. این تکنیک‌ها عمدتاً بر اساس خطی بودن متغیرهای مشاهده‌شده برای استخراج اطلاعات و الگوها از داده‌های چند متغیره و همچنین برای استخراج اطلاعات مفید هستند. درک ساختار پدیده های تصادفی. این کتاب مفاهیم خطی و غیرخطی ادامه مطلب...
چکیده: "تکنیک های چند متغیره برای تجزیه و تحلیل داده هایی که از بیش از یک متغیر ناشی می شود که در آن بین متغیرها رابطه وجود دارد. این تکنیک ها عمدتا بر اساس خطی بودن متغیرهای مشاهده شده، برای استخراج اطلاعات و الگوها از داده های چند متغیره و همچنین برای درک ساختار پدیده های تصادفی مفید هستند. این کتاب مفاهیم تکنیک‌های چند متغیره خطی و غیرخطی، از جمله مدل‌سازی رگرسیون، طبقه‌بندی، تمایز، کاهش ابعاد و خوشه‌بندی را تشریح می‌کند. داده ها و برای استنتاج معقول برای روشن کردن پدیده های با عدم قطعیت در زمینه های مختلف علوم طبیعی و اجتماعی. داده ها حاوی اطلاعاتی در مورد پدیده تصادفی مورد بررسی هستند و هدف از تجزیه و تحلیل آماری بیان این اطلاعات به شکل قابل فهم با استفاده از روش های آماری است. ما همچنین در مورد جنبه های ناشناخته پدیده های تصادفی استنباط می کنیم و به دنبال درک روابط علی هستیم. تحلیل چند متغیره به تکنیک هایی اطلاق می شود که برای تجزیه و تحلیل داده هایی که از متغیرهای متعددی که بین آنها روابطی وجود دارد، به وجود می آیند. تجزیه و تحلیل چند متغیره به طور گسترده ای برای استخراج اطلاعات و الگوهای مفید از داده های چند متغیره و برای درک ساختار پدیده های تصادفی استفاده شده است. تکنیک‌ها شامل رگرسیون، تجزیه و تحلیل متمایز، تجزیه و تحلیل مؤلفه‌های اصلی، خوشه‌بندی و غیره است و عمدتاً بر اساس خطی بودن متغیرهای مشاهده‌شده است. در سال‌های اخیر، دسترسی گسترده به رایانه‌های سریع و ارزان، ما را قادر می‌سازد تا حجم عظیمی از داده‌ها را با ساختار پیچیده و/یا داده‌های با ابعاد بالا جمع‌آوری کنیم. چنین انباشت داده ها نیز با توسعه و تکثیر فناوری های اندازه گیری الکترونیکی و ابزار دقیق تسریع می شود. چنین مجموعه داده هایی در زمینه های مختلف علم و صنعت، از جمله بیوانفورماتیک، پزشکی، داروسازی، مهندسی سیستم ها، تشخیص الگو، علوم زمین و محیط زیست، اقتصاد و بازاریابی به وجود می آیند. "
فهرست مطالب :
Content: Introduction Regression Modeling Classification and Discrimination Dimension Reduction Clustering Linear Regression Models Relationship between Two Variables Relationships Involving Multiple Variables Regularization Nonlinear Regression Models Modeling Phenomena Modeling by Basis Functions Basis Expansions Regularization Logistic Regression Models Risk Prediction Models Multiple Risk Factor Models Nonlinear Logistic Regression Models Model Evaluation and Selection Criteria Based on Prediction Errors Information Criteria Bayesian Model Evaluation Criterion Discriminant Analysis Fisher's Linear Discriminant Analysis Classification Based on Mahalanobis Distance Variable Selection Canonical Discriminant Analysis Bayesian Classification Bayes' Theorem Classification with Gaussian Distributions Logistic Regression for Classification Support Vector Machines Separating Hyperplane Linearly Nonseparable Case From Linear to Nonlinear Principal Component Analysis Principal Components Image Compression and Decompression Singular Value Decomposition Kernel Principal Component Analysis Clustering Hierarchical Clustering Nonhierarchical Clustering Mixture Models for Clustering Appendix A: Bootstrap Methods Appendix B: Lagrange Multipliers Appendix C: EM Algorithm Bibliography Index
توضیحاتی در مورد کتاب به زبان اصلی :
"Multivariate techniques are used to analyze data that arise from more than one variable in which there are relationships between the variables. Mainly based on the linearity of observed variables, these techniques are useful for extracting information and patterns from multivariate data as well as for the understanding the structure of random phenomena. This book describes the concepts of linear and nonlinear Read more...
Abstract: "Multivariate techniques are used to analyze data that arise from more than one variable in which there are relationships between the variables. Mainly based on the linearity of observed variables, these techniques are useful for extracting information and patterns from multivariate data as well as for the understanding the structure of random phenomena. This book describes the concepts of linear and nonlinear multivariate techniques, including regression modeling, classification, discrimination, dimension reduction, and clustering"--
"The aim of statistical science is to develop the methodology and the theory for extracting useful information from data and for reasonable inference to elucidate phenomena with uncertainty in various fields of the natural and social sciences. The data contain information about the random phenomenon under consideration and the objective of statistical analysis is to express this information in an understandable form using statistical procedures. We also make inferences about the unknown aspects of random phenomena and seek an understanding of causal relationships. Multivariate analysis refers to techniques used to analyze data that arise from multiple variables between which there are some relationships. Multivariate analysis has been widely used for extracting useful information and patterns from multivariate data and for understanding the structure of random phenomena. Techniques would include regression, discriminant analysis, principal component analysis, clustering, etc., and are mainly based on the linearity of observed variables. In recent years, the wide availability of fast and inexpensive computers enables us to accumulate a huge amount of data with complex structure and/or high-dimensional data. Such data accumulation is also accelerated by the development and proliferation of electronic measurement and instrumentation technologies. Such data sets arise in various fields of science and industry, including bioinformatics, medicine, pharmaceuticals, systems engineering, pattern recognition, earth and environmental sciences, economics and marketing. "