Nauka o danych i analiza predykcyjna
.png) | |
| Autor | Ivo D. Dinov |
|---|---|
| Kraj | Szwajcaria |
| Język | język angielski |
| Temat | Informatyka , Data science , sztuczna inteligencja |
| Wydawca | Skoczek |
Data publikacji |
2018 |
| Typ mediów | Drukuj (twarda okładka) |
| ISBN | 978-3-319-72346-4 |
Podręcznik Data Science and Predictive Analytics: Biomedical and Health Applications using R , którego autorem jest Ivo D. Dinov, został opublikowany w sierpniu 2018 r. przez wydawnictwo Springer .
W tym podręczniku omówiono niektóre podstawy matematyczne, techniki obliczeniowe i metody sztucznej inteligencji stosowane w badaniach i zastosowaniach nauki o danych .
Wykorzystując statystyczną platformę obliczeniową R i szeroką gamę biomedycznych studiów przypadków, 23 rozdziały książki dostarczają wyraźnych przykładów importowania, eksportowania, przetwarzania, modelowania, wizualizacji i interpretacji dużych, wielowymiarowych, niekompletnych, heterogenicznych, podłużnych i niekompletnych zbiory danych ( duże zbiory danych ).
Struktura
Podręcznik Data Science and Predictive Analytics jest podzielony na 23 rozdziały, z których każdy stopniowo opiera się na poprzedniej zawartości.
- Motywacja
- Podstawy R
- Zarządzanie danymi w R
- Wizualizacja danych
- Algebra liniowa i obliczenia macierzowe
- Redukcja wymiarowości
- Leniwe uczenie się: klasyfikacja przy użyciu najbliższych sąsiadów
- Uczenie się probabilistyczne: klasyfikacja przy użyciu naiwnego Bayesa
- Klasyfikacja drzewa decyzyjnego „dziel i rządź”.
- Prognozowanie danych liczbowych za pomocą modeli regresji
- Metody uczenia maszynowego czarnej skrzynki: sieci neuronowe i maszyny wektorów nośnych
- Nauka reguł stowarzyszeniowych Apriori
- Grupowanie k-średnich
- Ocena wydajności modelu
- Poprawa wydajności modelu
- Specjalistyczne tematy uczenia maszynowego
- Wybór zmiennej/funkcji
- Regularyzowane modelowanie liniowe i kontrolowany wybór zmiennych
- Analiza dużych danych podłużnych
- Przetwarzanie języka naturalnego/eksploracja tekstu
- Prognozowanie i wewnętrzna statystyczna walidacja krzyżowa
- Optymalizacja funkcji
- Głębokie uczenie się, sieci neuronowe
Przyjęcie
Materiały zawarte w podręczniku Data Science and Predictive Analytics (DSPA) zostały zrecenzowane w czasopiśmie ISI Review Journal i Journal of the American Library Association Międzynarodowego Instytutu Statystycznego . Wiele publikacji naukowych odwołuje się do podręcznika DSPA.
Od 17 stycznia 2021 r. elektroniczna wersja książki ( ISBN 978-3-319-72347-1 ) jest bezpłatnie dostępna na SpringerLink i została pobrana ponad 6 milionów razy. Podręcznik jest dostępny na całym świecie w formie drukowanej i elektronicznej w wielu bibliotekach uczelnianych i uniwersyteckich i był używany na zajęciach z nauki o danych , statystyki obliczeniowej i analiz w różnych instytucjach.