دانلود کتاب Kernel Smoothing
49,000 تومان
صاف کردن هسته
| موضوع اصلی | احتمال |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Springer US |
| تعداد صفحه | 222 |
| حجم فایل | 1 مگابایت |
| کد کتاب | 9780412552700,0412552701 |
| نوبت چاپ | اولین ویرایش |
| نویسنده | M. C. Jones (auth.), M. P. Wand |
|---|---|
| زبان | انگلیسی |
| فرمت | DJVU |
| سال انتشار | 1995 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
صاف کردن هسته
هموارسازی هسته به یک روش کلی برای بازیابی ساختار زیربنایی در مجموعه داده ها اشاره دارد. اصل اساسی این است که میانگینگیری یا هموارسازی محلی با توجه به یک تابع هسته انجام میشود. این کتاب به خوانندگان ناآشنا احساسی نسبت به اصول، کاربردها و تجزیه و تحلیل هموارکنندههای هسته میدهد. این با تمرکز نویسندگان بر ساده ترین تنظیمات، یعنی تخمین چگالی و رگرسیون ناپارامتریک تسهیل می شود. آنها توجه ویژه ای به مشکل انتخاب پارامتر هموارسازی یک هموار کننده هسته دارند و همچنین مورد چند متغیره را با جزئیات بررسی می کنند. Kernal Smoothing مستقل است و فقط دانش اولیه از آمار، حساب دیفرانسیل و انتگرال، و جبر ماتریسی را فرض می کند. این یک مقدمه ارزشمند برای ایده های اصلی تخمین هسته برای دانشجویان و محققان سایر رشته ها است و یک مرجع جامع برای کسانی که با این موضوع آشنا هستند فراهم می کند.
Kernel Smoothing
Kernel smoothing refers to a general methodology for recovery of underlying structure in data sets. The basic principle is that local averaging or smoothing is performed with respect to a kernel function.This book provides uninitiated readers with a feeling for the principles, applications, and analysis of kernel smoothers. This is facilitated by the authors’ focus on the simplest settings, namely density estimation and nonparametric regression. They pay particular attention to the problem of choosing the smoothing parameter of a kernel smoother, and also treat the multivariate case in detail. Kernal Smoothing is self-contained and assumes only a basic knowledge of statistics, calculus, and matrix algebra. It is an invaluable introduction to the main ideas of kernel estimation for students and researchers from other discipline and provides a comprehensive reference for those familiar with the topic.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.