توضیحات
Cluster analysis finds groups in data automatically. Most methods have been heuristic and leave open such central questions as: how many clusters are there? Which method should I use? How should I handle outliers? Classification assigns new observations to groups given previously classified observations, and also has open questions about parameter tuning, robustness and uncertainty assessment. This book frames cluster analysis and classification in terms of statistical models, thus yielding principled estimation, testing and prediction methods, and sound answers to the central questions. It builds the basic ideas in an accessible but rigorous way, with extensive data examples and R code; describes modern approaches to high-dimensional data and networks; and explains such recent advances as Bayesian regularization, non-Gaussian model-based clustering, cluster merging, variable selection, semi-supervised and robust classification, clustering of functional data, text and images, and co-clustering. Written for advanced undergraduates in data science, as well as researchers and practitioners, it assumes basic knowledge of multivariate calculus, linear algebra, probability and statistics.
————————————————————–
ترجمه ماشینی :
تجزیه و تحلیل خوشه ای به طور خودکار گروه ها را در داده ها پیدا می کند. بیشتر روشها اکتشافی بودهاند و سؤالات محوری مانند: چند خوشه وجود دارد را باز میگذارند؟ از کدام روش استفاده کنم؟ چگونه باید با موارد پرت برخورد کنم؟ طبقهبندی مشاهدات جدید را به گروههایی که مشاهدات طبقهبندیشده قبلی دادهاند اختصاص میدهد، و همچنین سؤالات باز در مورد تنظیم پارامتر، استحکام و ارزیابی عدم قطعیت دارد. این کتاب تجزیه و تحلیل و طبقهبندی خوشهای را بر اساس مدلهای آماری چارچوببندی میکند، بنابراین تخمین اصولی، روشهای آزمایش و پیشبینی و پاسخهای صحیح به سؤالات اصلی به دست میآید. ایده های اساسی را به روشی قابل دسترس اما دقیق، با نمونه های داده گسترده و کد R ایجاد می کند. رویکردهای مدرن برای داده ها و شبکه های با ابعاد بالا را توصیف می کند. و پیشرفتهای اخیر مانند منظمسازی بیزی، خوشهبندی مبتنی بر مدل غیر گاوسی، ادغام خوشهها، انتخاب متغیر، طبقهبندی نیمهنظارتشده و قوی، خوشهبندی دادههای عملکردی، متن و تصاویر، و همخوشهبندی را توضیح میدهد. این کتاب برای دانشجویان پیشرفته در علوم داده و همچنین محققان و پزشکان نوشته شده است، و دانش پایه را از حساب چند متغیره، جبر خطی، احتمالات و آمار در نظر گرفته است.
tag : دانلود کتاب خوشهبندی و طبقهبندی مبتنی بر مدل برای علم داده: با کاربردها در R , Download خوشهبندی و طبقهبندی مبتنی بر مدل برای علم داده: با کاربردها در R , دانلود خوشهبندی و طبقهبندی مبتنی بر مدل برای علم داده: با کاربردها در R , Download Model-Based Clustering and Classification for Data Science: With Applications in R Book , خوشهبندی و طبقهبندی مبتنی بر مدل برای علم داده: با کاربردها در R دانلود , buy خوشهبندی و طبقهبندی مبتنی بر مدل برای علم داده: با کاربردها در R , خرید کتاب خوشهبندی و طبقهبندی مبتنی بر مدل برای علم داده: با کاربردها در R , دانلود کتاب Model-Based Clustering and Classification for Data Science: With Applications in R , کتاب Model-Based Clustering and Classification for Data Science: With Applications in R , دانلود Model-Based Clustering and Classification for Data Science: With Applications in R , خرید Model-Based Clustering and Classification for Data Science: With Applications in R , خرید کتاب Model-Based Clustering and Classification for Data Science: With Applications in R ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.