خرید و دانلود نسخه کامل کتاب Statistical Learning with Sparsity. The Lasso and Generalizations

توضیحاتی در مورد کتاب

روش‌های جدیدی برای مقابله با داده‌های با ابعاد بالا کشف کنید یک مدل آماری پراکنده تنها دارای تعداد کمی پارامتر یا وزن غیرصفر است. بنابراین، تخمین و تفسیر آن بسیار آسان تر از یک مدل متراکم است. یادگیری آماری با پراکندگی: کمند و تعمیم روش‌هایی را ارائه می‌کنند که از پراکندگی برای کمک به بازیابی سیگنال اصلی در مجموعه‌ای از داده‌ها استفاده می‌کنند. کارشناسان برتر در این زمینه به سرعت در حال تکامل، نویسندگان کمند را برای رگرسیون خطی و یک الگوریتم نزول مختصات ساده برای محاسبه آن توصیف می‌کنند. آنها در مورد کاربرد جریمه های l1 برای مدل های خطی تعمیم یافته و ماشین های برداری پشتیبانی می کنند، جریمه های تعمیم یافته مانند شبکه الاستیک و کمند گروهی را پوشش می دهند و روش های عددی را برای بهینه سازی مرور می کنند. آن‌ها همچنین روش‌های استنتاج آماری را برای مدل‌های برازش (کند)، از جمله راه‌انداز، روش‌های بیزی و رویکردهای اخیراً توسعه‌یافته ارائه می‌کنند. علاوه بر این، این کتاب تجزیه ماتریس، تجزیه و تحلیل چند متغیره پراکنده، مدل‌های گرافیکی و سنجش فشرده را بررسی می‌کند. با بررسی نتایج نظری برای کمند به پایان می رسد. در این عصر داده‌های بزرگ، تعداد ویژگی‌های اندازه‌گیری شده روی یک شخص یا شی می‌تواند زیاد باشد و ممکن است بیشتر از تعداد مشاهدات باشد. این کتاب نشان می دهد که چگونه فرض پراکندگی به ما اجازه می دهد تا با این مشکلات مقابله کنیم و الگوهای مفید و قابل تکرار را از مجموعه داده های بزرگ استخراج کنیم. تحلیلگران داده، دانشمندان کامپیوتر و نظریه پردازان از این درمان کامل و به روز مدل سازی آماری پراکنده قدردانی خواهند کرد.