دانلود کتاب Statistical learning and data science
کتاب یادگیری آماری و علم داده نسخه زبان اصلی
دانلود کتاب یادگیری آماری و علم داده بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Statistical learning and data science
نام کتاب : Statistical learning and data science
عنوان ترجمه شده به فارسی : یادگیری آماری و علم داده
سری : Chapman & Hall/CRC computer science & data analysis
نویسندگان : Mireille Gettler Summa, et al
ناشر : Chapman & Hall/CRC
سال نشر : 2011
تعداد صفحات : 242
ISBN (شابک) : 1439867631 , 9781283596275
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 :
تجزیه و تحلیل داده ها به سرعت در حال تغییر است. یادگیری ماشینی که توسط طیف وسیعی از حوزه های کاربردی و ابزارهای مقرون به صرفه هدایت می شود، به جریان اصلی تبدیل شده است. تجزیه و تحلیل داده های بدون نظارت، از جمله تجزیه و تحلیل خوشه ای، تحلیل عاملی، و روش های نقشه برداری با ابعاد کم که به طور مداوم به روز می شوند، در دنیای داده های فوق العاده غنی که ما در آن زندگی می کنیم به ارتفاعات جدیدی دست یافته اند. یادگیری آماری و علم داده یک اثر مرجع در زمینه به سرعت در حال تحول روش‌شناسی‌های همگرا است. این مقاله از برخی از متفکران بنیادی در زمینه های مختلف تجزیه و تحلیل داده ها به نتایج نظری عمده در حوزه جمع آوری می کند. از جنبه روش‌شناختی، حجم شامل پیش‌بینی منسجم و چارچوب‌هایی برای ارزیابی اعتماد به خروجی‌ها، همراه با ریسک همراه است. طیف وسیعی از کاربردها از جمله معناشناسی، ریسک اعتباری، تولید انرژی، ژنومیک و اکولوژی را نشان می‌دهد. این کتاب همچنین به مسائل منشأ و تحولات در عرصه تجزیه و تحلیل داده های بدون نظارت می پردازد و رویکردهایی را برای سری های زمانی، داده های نمادین و داده های عملکردی ارائه می دهد. در طول تاریخ تجزیه و تحلیل داده های چند بعدی، داده های پیچیده تری برای پردازش در دسترس قرار گرفته اند. یادگیری ماشینی نظارت شده، رویکردهای تحلیل نیمه نظارت شده، و تجزیه و تحلیل داده های بدون نظارت، قابلیت بزرگی را برای رسیدگی به سیل داده های دیجیتال فراهم می کند. با بررسی مبانی و پیشرفت‌های اخیر در این زمینه، آموزش آماری و علم داده نشان می‌دهد که چگونه تجزیه و تحلیل داده‌ها می‌تواند سلامت فردی و جمعی و رفاه محیط‌های اجتماعی، تجاری و فیزیکی ما را بهبود بخشد.
فهرست مطالب :
Title Page ......Page 4
Contents......Page 6
Preface......Page 8
Contributors......Page 14
I. Statistical and Machine Learning......Page 18
1. Mining on Social Networks......Page 20
2. Large-Scale Machine Learning with Stochastic Gradient Descent......Page 34
3. Fast Optimization Algorithms for Solving SVM+......Page 44
4. Conformal Predictors in Semisupervised Case......Page 60
5. Some Properties of Infinite VC-Dimension Systems......Page 70
II. Data Science, Foundations, and Applications......Page 78
6. Choriogenesis: the Dynamical Genesis of Space and Its Dimensions, Controlled by Correspondence Analysis......Page 80
7. Geometric Data Analysis in a Social Science Research Program: The Case of Bourdieu's Sociology......Page 94
8. Semantics from Narrative: State of the Art and Future Prospects......Page 108
9. Measuring Classifier Performance: On the Incoherence of the Area under the ROC Curve and What to Do about It......Page 120
10. A Clustering Approach to Monitor System Working: An Application to Electric Power Production......Page 130
11. Introduction to Molecular Phylogeny......Page 142
12. Bayesian Analysis of Structural Equation Models Using Parameter Expansion......Page 152
III. Complex Data......Page 164
13. Clustering Trajectories of a Three-Way Longitudinal Dataset......Page 166
14. Trees with Soft Nodes: A New Approach to the Construction of Prediction Trees from Data......Page 176
15. Synthesis of Objects......Page 188
16. Functional Data Analysis: An Interdisciplinary Statistical Topic......Page 206
17. Methodological Richness of Functional Data Analysis......Page 214
Bibliography......Page 222
توضیحاتی در مورد کتاب به زبان اصلی :
Data analysis is changing fast. Driven by a vast range of application domains and affordable tools, machine learning has become mainstream. Unsupervised data analysis, including cluster analysis, factor analysis, and low dimensionality mapping methods continually being updated, have reached new heights of achievement in the incredibly rich data world that we inhabit. Statistical Learning and Data Science is a work of reference in the rapidly evolving context of converging methodologies. It gathers contributions from some of the foundational thinkers in the different fields of data analysis to the major theoretical results in the domain. On the methodological front, the volume includes conformal prediction and frameworks for assessing confidence in outputs, together with attendant risk. It illustrates a wide range of applications, including semantics, credit risk, energy production, genomics, and ecology. The book also addresses issues of origin and evolutions in the unsupervised data analysis arena, and presents some approaches for time series, symbolic data, and functional data. Over the history of multidimensional data analysis, more and more complex data have become available for processing. Supervised machine learning, semi-supervised analysis approaches, and unsupervised data analysis, provide great capability for addressing the digital data deluge. Exploring the foundations and recent breakthroughs in the field, Statistical Learning and Data Science demonstrates how data analysis can improve personal and collective health and the well-being of our social, business, and physical environments.