Fundamentals of Supervised Machine Learning
With Applications in Python, R, and Stata
Sorozatcím: Statistics and Computing;
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 90.94
- Prospero ár EUR 63.74
-
24 896 Ft (23 711 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 4 979 Ft off)
- Kedvezményes ár 19 917 Ft (18 969 Ft + 5% áfa)
- A kedvezmény érvényes eddig: 2026. június 30.
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
21 909 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Springer International Publishing
- Megjelenés dátuma 2024. november 15.
- Kötetek száma 1 pieces, Book
- ISBN 9783031413391
- Kötéstípus Puhakötés
- Lásd még 9783031413360
- Terjedelem391 oldal
- Méret 235x155 mm
- Nyelv angol
- Illusztrációk XXIX, 391 p. 144 illus., 99 illus. in color. Illustrations, black & white 554
Kategóriák
Hosszú leírás:
This book presents the fundamental theoretical notions of supervised machine learning along with a wide range of applications using Python, R, and Stata. It provides a balance between theory and applications and fosters an understanding and awareness of the availability of machine learning methods over different software platforms.
After introducing the machine learning basics, the focus turns to a broad spectrum of topics: model selection and regularization, discriminant analysis, nearest neighbors, support vector machines, tree modeling, artificial neural networks, deep learning, and sentiment analysis. Each chapter is self-contained and comprises an initial theoretical part, where the basics of the methodologies are explained, followed by an applicative part, where the methods are applied to real-world datasets. Numerous examples are included and, for ease of reproducibility, the Python, R, and Stata codes used in the text, along with the related datasets, are available online.
The intended audience is PhD students, researchers and practitioners from various disciplines, including economics and other social sciences, medicine and epidemiology, who have a good understanding of basic statistics and a working knowledge of statistical software, and who want to apply machine learning methods in their work.
Több
Tartalomjegyzék:
Preface.- The Ontology of Machine Learning.- The Statistics of Machine Learning.- Model Selection and Regularization.- Discriminant Analysis, Nearest Neighbor and Support Vector Machines.- Tree Modelling.- Artificial Neural Networks.- Deep Learning.- Sentiment Analysis.- Index.
