توضیحات
This book presents some post-estimation and predictions strategies for the host of useful statistical models with applications in data science. It combines statistical learning and machine learning techniques in a unique and optimal way. It is well-known that machine learning methods are subject to many issues relating to bias, and consequently the mean squared error and prediction error may explode. For this reason, we suggest shrinkage strategies to control the bias by combining a submodel selected by a penalized method with a model with many features. Further, the suggested shrinkage methodology can be successfully implemented for high dimensional data analysis. Many researchers in statistics and medical sciences work with big data. They need to analyse this data through statistical modelling. Estimating the model parameters accurately is an important part of the data analysis. This book may be a repository for developing improve estimation strategies for statisticians. This book will help researchers and practitioners for their teaching and advanced research, and is an excellent textbook for advanced undergraduate and graduate courses involving shrinkage, statistical, and machine learning.
- The book succinctly reveals the bias inherited in machine learning method and successfully provides tools, tricks and tips to deal with the bias issue.
- Expertly sheds light on the fundamental reasoning for model selection and post estimation using shrinkage and related strategies.
- This presentation is fundamental, because shrinkage and other methods appropriate for model selection and estimation problems and there is a growing interest in this area to fill the gap between competitive strategies.
- Application of these strategies to real life data set from many walks of life.
- Analytical results are fully corroborated by numerical work and numerous worked examples are included in each chapter with numerous graphs for data visualization.
- The presentation and style of the book clearly makes it accessible to a broad audience. It offers rich, concise expositions of each strategy and clearly describes how to use each estimation strategy for the problem at hand.
- This book emphasizes that statistics/statisticians can play a dominant role in solving Big Data problems, and will put them on the precipice of scientific discovery.
- The book contributes novel methodologies for HDDA and will open a door for continued research in this hot area.
- The practical impact of the proposed work stems from wide applications. The developed computational packages will aid in analyzing a broad range of applications in many walks of life.
————————————————————–
ترجمه ماشینی :
این کتاب برخی از استراتژیهای پس از تخمین و پیشبینی را برای میزبان مدلهای آماری مفید با کاربرد در علم داده ارائه میکند. این تکنیک های یادگیری آماری و یادگیری ماشین را به روشی منحصر به فرد و بهینه ترکیب می کند. به خوبی شناخته شده است که روش های یادگیری ماشین در معرض بسیاری از مسائل مربوط به سوگیری هستند و در نتیجه میانگین مربعات خطا و خطای پیش بینی ممکن است منفجر شود. به همین دلیل، ما استراتژیهای انقباض را برای کنترل تعصب با ترکیب یک مدل فرعی انتخاب شده با روش جریمهشده با مدلی با ویژگیهای زیاد پیشنهاد میکنیم. علاوه بر این، روش انقباض پیشنهادی می تواند با موفقیت برای تجزیه و تحلیل داده های با ابعاد بالا اجرا شود. بسیاری از محققان در آمار و علوم پزشکی با داده های بزرگ کار می کنند. آنها باید این داده ها را از طریق مدل سازی آماری تجزیه و تحلیل کنند. برآورد دقیق پارامترهای مدل بخش مهمی از تجزیه و تحلیل داده ها است. این کتاب ممکن است مخزنی برای توسعه استراتژی های تخمین بهبود یافته برای آماردانان باشد. این کتاب به محققان و پزشکان برای آموزش و تحقیقات پیشرفته کمک می کند و یک کتاب درسی عالی برای دوره های پیشرفته کارشناسی و کارشناسی ارشد است که شامل کاهش، آمار و یادگیری ماشین است.
< p>
- این کتاب به طور مختصر سوگیری به ارث رسیده در روش یادگیری ماشین را نشان میدهد و با موفقیت ابزارها، ترفندها و نکاتی را برای مقابله با موضوع سوگیری ارائه میدهد.
- تخصص دلایل اساسی برای انتخاب مدل و تخمین پست با استفاده از انقباض و استراتژیهای مرتبط را روشن میکند. span>
- این ارائه اساسی است، زیرا انقباض و سایر روشهای مناسب برای انتخاب مدل و مشکلات تخمین و علاقه فزاینده ای در این زمینه برای پر کردن شکاف بین استراتژی های رقابتی وجود دارد.
- <. span>کاربرد این استراتژی ها در مجموعه داده های زندگی واقعی از بسیاری از جنبه های زندگی.
- نتایج تحلیلی به طور کامل با کار عددی تأیید میشوند و نمونههای کار شده متعددی در آن گنجانده شده است. هر فصل با نمودارهای متعدد برای تجسم داده ها.
- ارائه و سبک کتاب به وضوح آن را برای مخاطبان گسترده ای در دسترس قرار می دهد. این توضیحات غنی و مختصر از هر استراتژی ارائه می دهد و به وضوح نحوه استفاده از هر استراتژی تخمینی را برای مشکل مورد نظر توضیح می دهد.
- این کتاب تأکید میکند که آمار/آمار میتوانند نقشی مسلط در حل مسائل کلان داده داشته باشند و آنها را در پرتگاه اکتشافات علمی قرار دهند.
- این کتاب روشهای جدیدی را برای HDDA ارائه میکند و دری را برای ادامه تحقیقات در این منطقه داغ باز میکند.
- تاثیر عملی کار پیشنهادی از کاربردهای گسترده ناشی می شود. بستههای محاسباتی توسعهیافته به تجزیه و تحلیل طیف گستردهای از کاربردها در بسیاری از جنبههای زندگی کمک میکنند.
tag : دانلود کتاب استراتژی های پس از انقباض در یادگیری آماری و ماشینی برای داده های با ابعاد بالا , Download استراتژی های پس از انقباض در یادگیری آماری و ماشینی برای داده های با ابعاد بالا , دانلود استراتژی های پس از انقباض در یادگیری آماری و ماشینی برای داده های با ابعاد بالا , Download Post-Shrinkage Strategies in Statistical and Machine Learning for High Dimensional Data Book , استراتژی های پس از انقباض در یادگیری آماری و ماشینی برای داده های با ابعاد بالا دانلود , buy استراتژی های پس از انقباض در یادگیری آماری و ماشینی برای داده های با ابعاد بالا , خرید کتاب استراتژی های پس از انقباض در یادگیری آماری و ماشینی برای داده های با ابعاد بالا , دانلود کتاب Post-Shrinkage Strategies in Statistical and Machine Learning for High Dimensional Data , کتاب Post-Shrinkage Strategies in Statistical and Machine Learning for High Dimensional Data , دانلود Post-Shrinkage Strategies in Statistical and Machine Learning for High Dimensional Data , خرید Post-Shrinkage Strategies in Statistical and Machine Learning for High Dimensional Data , خرید کتاب Post-Shrinkage Strategies in Statistical and Machine Learning for High Dimensional Data ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.