توضیحات
Survival analysis generally deals with analysis of data arising from clinical trials. Censoring, truncation, and missing data create analytical challenges and the statistical methods and inference require novel and different approaches for analysis. Statistical properties, essentially asymptotic ones, of the estimators and tests are aptly handled in the counting process framework which is drawn from the larger arm of stochastic calculus. With explosion of data generation during the past two decades, survival data has also enlarged assuming a gigantic size. Most statistical methods developed before the millennium were based on a linear approach even in the face of complex nature of survival data. Nonparametric nonlinear methods are best envisaged in the Machine Learning school. This book attempts to cover all these aspects in a concise way.
Survival Analysisoffers an integrated blend of statistical methods and machine learning useful in analysis of survival data. The purpose of the offering is to give an exposure to the machine learning trends for lifetime data analysis.
Features:
- Classical survival analysis techniques for estimating statistical functional and hypotheses testing
- Regression methods covering the popular Cox relative risk regression model, Aalens additive hazards model, etc.
- Information criteria to facilitate model selection including Akaike, Bayes, and Focused
- Penalized methods
- Survival trees and ensemble techniques of bagging, boosting, and random survival forests
- A brief exposure of neural networks for survival data
- R program illustration throughout the book
————————————————————–
ترجمه ماشینی :
تجزیه و تحلیل بقا به طور کلی با تجزیه و تحلیل داده های حاصل از آزمایشات بالینی سروکار دارد. سانسور، کوتاه کردن، و داده های از دست رفته چالش های تحلیلی ایجاد می کند و روش های آماری و استنتاج نیازمند رویکردهای جدید و متفاوتی برای تجزیه و تحلیل است. ویژگیهای آماری، اساساً مجانبی، تخمینگرها و آزمونها به درستی در چارچوب فرآیند شمارش که از بازوی بزرگتر حساب تصادفی استخراج میشود، استفاده میشود. با انفجار تولید داده در دو دهه گذشته، داده های بقا نیز با فرض یک اندازه غول پیکر بزرگ شده اند. بیشتر روشهای آماری توسعهیافته قبل از هزاره، حتی در مواجهه با ماهیت پیچیده دادههای بقا، مبتنی بر رویکرد خطی بودند. روشهای غیرخطی ناپارامتری به بهترین وجه در مدرسه یادگیری ماشین پیشبینی میشوند. این کتاب تلاش میکند همه این جنبهها را بهصورت مختصر پوشش دهد.
تحلیل بقاترکیبی از روشهای آماری و یادگیری ماشینی را ارائه میدهد که در تجزیه و تحلیل مفید است. داده های بقا هدف از این پیشنهاد، نشان دادن روندهای یادگیری ماشین برای تجزیه و تحلیل داده های مادام العمر است.
ویژگی ها:
- تکنیکهای تحلیل بقای کلاسیک برای تخمین آزمایشهای عملکردی و فرضیههای آماری
- روشهای رگرسیونی که مدل رگرسیون ریسک نسبی کاکس، آلنز را پوشش میدهد. مدل خطرات افزایشی و غیره.
- معیارهای اطلاعاتی برای تسهیل انتخاب مدل از جمله آکایکه، بیز، و متمرکز
- روشهای مجازات
- درختان بقا و تکنیکهای مجموعهای از کیسهبندی، تقویت، و جنگلهای بقای تصادفی
- معرفی مختصر از شبکه های عصبی برای داده های بقا
- R تصویرسازی برنامه در سراسر کتاب
tag : دانلود کتاب تجزیه و تحلیل بقا , Download تجزیه و تحلیل بقا , دانلود تجزیه و تحلیل بقا , Download Survival Analysis Book , تجزیه و تحلیل بقا دانلود , buy تجزیه و تحلیل بقا , خرید کتاب تجزیه و تحلیل بقا , دانلود کتاب Survival Analysis , کتاب Survival Analysis , دانلود Survival Analysis , خرید Survival Analysis , خرید کتاب Survival Analysis ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.