消息 首页 搜索 举报
  • (正版) 数据科学与预测分析 Data Science and Predictive Analytics (需预定或E版)
21年品牌 40万+商家 超1.5亿件商品

(正版) 数据科学与预测分析 Data Science and Predictive Analytics (需预定或E版)

（英文原版正品）下单前请先咨询，未经咨询下此单不发货

￥ 3299 全新

仅1件

辽宁沈阳
认证卖家担保交易快速发货售后保障

作者Ivo D. Dinov

出版社Springer International Publishing A&G

ISBN9783031174827

出版时间2023

装帧精装

上书时间2024-04-29

大麦M书摊
已实名 进店 收藏店铺
  • 店主推荐
  • 最新上架

   商品详情   

品相描述：全新
商品描述
This textbook integrates important mathematical foundations, efficient computational algorithms, applied statistical inference techniques, and cutting-edge machine learning approaches to address a wide range of crucial biomedical informatics, health analytics applications, and decision science challenges. Each concept in the book includes a rigorous symbolic formulation coupled with computational algorithms and complete end-to-end pipeline protocols implemented as functional R electronic markdown notebooks. These workflows support active learning and demonstrate comprehensive data manipulations, interactive visualizations, and sophisticated analytics. The content includes open problems, state-of-the-art scientific knowledge, ethical integration of heterogeneous scientific tools, and procedures for systematic validation and dissemination of reproducible research findings. Complementary to the enormous challenges related to handling, interrogating, and understanding massive amounts of complex structured and unstructured data, there are unique opportunities that come with access to a wealth of feature-rich, high-dimensional, and time-varying information. The topics covered in Data Science and Predictive Analytics address specific knowledge gaps, resolve educational barriers, and mitigate workforce information-readiness and data science deficiencies. Specifically, it provides a transdisciplinary curriculum integrating core mathematical principles, modern computational methods, advanced data science techniques, model-based machine learning, model-free artificial intelligence, and innovative biomedical applications. The book's fourteen chapters start with an introduction and progressively build foundational skills from visualization to linear modeling, dimensionality reduction, supervised classification, black-box machine learning techniques, qualitative learning methods, unsupervised clustering, model performance assessment, feature selection strategies, longitudinal data analytics, optimization, neural networks, and deep learning. The second edition of the book includes additional learning-based strategies utilizing generative adversarial networks, transfer learning, and synthetic data generation, as well as eight complementary electronic appendices. This textbook is suitable for formal didactic instructor-guided course education, as well as for individual or team-supported self-learning. The material is presented at the upper-division and graduate-level college courses and covers applied and interdisciplinary mathematics, contemporary learning-based data science techniques, computational algorithm development, optimization theory, statistical computing, and biomedical sciences. The analytical techniques and predictive scientific methods described in the book may be useful to a wide range of readers, formal and informal learners, college instructors, researchers, and engineers throughout the academy, industry, government, regulatory, funding, and policy agencies. The supporting book website provides many examples, datasets, functional scripts, complete electronic notebooks, extensive appendices, and additional materials.

Table of Content
Chapter 1 - Introduction.- Chapter 2: Basic Visualization and Exploratory Data Analytics.- Chapter 3: Linear Algebra, Matrix Computing and Regression Modeling.- Chapter 4: Linear and Nonlinear Dimensionality Reduction.- Chapter 5: Supervised Classification.- Chapter 6: Black Box Machine Learning Methods.- Chapter 7: Qualitative Learning Methods - Text Mining, Natural Language Processing, Apriori Association Rules Learning.- Chapter 8: Unsupervised Clustering.- Chapter 9: Model Performance Assessment, Validation, and Improvement.- Chapter 10: Specialized Machine Learning Topics.- Chapter 11: Variable Importance and Feature Selection.- Chapter 12: Big Longitudinal Data Analysis.- Chapter 13: Function Optimization.- Chapter 14: Deep Learning, Neural Networks.

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP