Produktbild: Data Science and Predictive Analytics

Data Science and Predictive Analytics Biomedical and Health Applications using R

59,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.01.2019

Verlag

Springer

Seitenzahl

832

Maße (L/B/H)

23,5/15,5/4,4 cm

Gewicht

1470 g

Auflage

Softcover reprint of the original 1st ed. 2018

Sprache

Englisch

ISBN

978-3-030-10187-9

Beschreibung

Rezension

“Data Science and Predictive Analytics is an effective resource for those desiring to extend their knowledge of data science, R or both. The book is comprehensive and serves as a reference guide for data analytics, especially relating to the biomedical, health care and social fields.” (Mindy Capaldi, International Statistical Review, Vol. 87 (1), 2019)

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.01.2019

Verlag

Springer

Seitenzahl

832

Maße (L/B/H)

23,5/15,5/4,4 cm

Gewicht

1470 g

Auflage

Softcover reprint of the original 1st ed. 2018

Sprache

Englisch

ISBN

978-3-030-10187-9

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: [email protected]

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Data Science and Predictive Analytics
  • 1 Introduction.- 2 Foundations of R.- 3 Managing Data in R.- 4 Data Visualization.- 5 Linear Algebra & Matrix Computing.- 6 Dimensionality Reduction.- 7 Lazy Learning: Classification Using Nearest Neighbors.- 8 Probabilistic Learning: Classification Using Naive Bayes.- 9 Decision Tree Divide and Conquer Classification.- 10 Forecasting Numeric Data Using Regression Models.- 11 Black Box Machine-Learning Methods: Neural Networks and Support Vector Machines.- 12 Apriori Association Rules Learning.- 13 k-Means Clustering.- 14 Model Performance Assessment.- 15 Improving Model Performance.- 16 Specialized Machine Learning Topics.- 17 Variable/Feature Selection.- 18 Regularized Linear Modeling and Controlled Variable Selection.- 19 Big Longitudinal Data Analysis.- 20 Natural Language Processing/Text Mining.- 21 Prediction and Internal Statistical Cross Validation.- 22 Function Optimization.- 23 Deep Learning Neural Networks.- 24 Summary.- 25 Glossary.- 26 Index.- 27 Errata.