توضیحات
Methods for estimating sparse and large covariance matrices
Covariance and correlation matrices play fundamental roles in every aspect of the analysis of multivariate data collected from a variety of fields including business and economics, health care, engineering, and environmental and physical sciences. High-Dimensional Covariance Estimation provides accessible and comprehensive coverage of the classical and modern approaches for estimating covariance matrices as well as their applications to the rapidly developing areas lying at the intersection of statistics and machine learning.
Recently, the classical sample covariance methodologies have been modified and improved upon to meet the needs of statisticians and researchers dealing with large correlated datasets. High-Dimensional Covariance Estimation focuses on the methodologies based on shrinkage, thresholding, and penalized likelihood with applications to Gaussian graphical models, prediction, and mean-variance portfolio management. The book relies heavily on regression-based ideas and interpretations to connect and unify many existing methods and algorithms for the task.
High-Dimensional Covariance Estimation features chapters on:
- Data, Sparsity, and Regularization
- Regularizing the Eigenstructure
- Banding, Tapering, and Thresholding
- Covariance Matrices
- Sparse Gaussian Graphical Models
- Multivariate Regression
The book is an ideal resource for researchers in statistics, mathematics, business and economics, computer sciences, and engineering, as well as a useful text or supplement for graduate-level courses in multivariate analysis, covariance estimation, statistical learning, and high-dimensional data analysis.
————————————————————–
ترجمه ماشینی :
روشهایی برای تخمین ماتریسهای کوواریانس پراکنده و بزرگ
ماتریسهای کوواریانس و همبستگی نقش اساسی در هر جنبه از تجزیه و تحلیل دادههای چند متغیره جمعآوریشده از زمینههای مختلف از جمله تجارت و اقتصاد، مراقبت های بهداشتی، مهندسی، و علوم محیطی و فیزیکی. تخمین کوواریانس با ابعاد بالاپوشش قابل دسترسی و جامعی از رویکردهای کلاسیک و مدرن برای تخمین ماتریس های کوواریانس و همچنین کاربردهای آنها در مناطق به سرعت در حال توسعه واقع در تقاطع آمار و یادگیری ماشین ارائه می دهد.
اخیراً، روشهای کوواریانس نمونه کلاسیک برای پاسخگویی به نیازهای آماردانان و محققانی که با مجموعه دادههای همبسته بزرگ سروکار دارند، اصلاح و بهبود یافته است. تخمین کوواریانس با ابعاد بالا بر روششناسی مبتنی بر انقباض، آستانهگذاری و احتمال جریمهشده با کاربردهای مدلهای گرافیکی گاوسی، پیشبینی و مدیریت پورتفولیو میانگین واریانس تمرکز دارد. این کتاب به شدت بر ایدهها و تفاسیر مبتنی بر رگرسیون برای اتصال و یکسان کردن بسیاری از روشها و الگوریتمهای موجود برای کار تکیه دارد.
تخمین کوواریانس با ابعاد بالا دارای فصلهایی در این زمینه است: >
- دادهها، پراکندگی و منظمسازی
- تنظیمسازی ساختار ویژه
- باندینگ، مخروطیسازی و آستانهسازی
- ماتریسهای کوواریانس
- < li>مدلهای گرافیکی پراکنده گاوسی
- رگرسیون چند متغیره
این کتاب منبعی ایدهآل برای محققان در زمینههای آمار، ریاضیات، تجارت و اقتصاد، علوم کامپیوتر و مهندسی است. همچنین یک متن یا مکمل مفید برای دوره های تحصیلات تکمیلی در تجزیه و تحلیل چند متغیره، تخمین کوواریانس، یادگیری آماری، و تجزیه و تحلیل داده های با ابعاد بالا.
tag : دانلود کتاب تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا , Download تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا , دانلود تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا , Download High-Dimensional Covariance Estimation: With High-Dimensional Data Book , تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا دانلود , buy تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا , خرید کتاب تخمین کوواریانس با ابعاد بالا: با داده های با ابعاد بالا , دانلود کتاب High-Dimensional Covariance Estimation: With High-Dimensional Data , کتاب High-Dimensional Covariance Estimation: With High-Dimensional Data , دانلود High-Dimensional Covariance Estimation: With High-Dimensional Data , خرید High-Dimensional Covariance Estimation: With High-Dimensional Data , خرید کتاب High-Dimensional Covariance Estimation: With High-Dimensional Data ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.