دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: آمار ریاضی ویرایش: نویسندگان: Roberto Rivera سری: ISBN (شابک) : 1119486416, 9781119486428 ناشر: John Wiley & Sons سال نشر: 2020 تعداد صفحات: 678 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 16 مگابایت
کلمات کلیدی مربوط به کتاب اصول آمار مدیریتی و علم داده: مدیریت: روش های آماری، آمار ریاضی، تصمیم گیری آماری، داده کاوی، داده های بزرگ
در صورت تبدیل فایل کتاب Principles Of Managerial Statistics And Data Science به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب اصول آمار مدیریتی و علم داده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب به معرفی مباحث Big Data، تجزیه و تحلیل داده ها و علم داده می پردازد و استفاده از داده های منبع باز را مشخص می کند. از جمله مباحث آماری شرح داده شده در این کتاب عبارتند از: تجسم داده ها، معیارهای توصیفی، احتمال، توزیع احتمال، مفهوم انتظارات ریاضی، فواصل اطمینان و آزمون فرضیه. همچنین تحلیل واریانس، رگرسیون خطی ساده، رگرسیون خطی چندگانه و تشخیص، توسعه مدلهای رگرسیون خطی چندگانه، جداول احتمالی، آزمونهای مجذور کای، روشهای ناپارامتریک و روش سریهای زمانی پوشش داده شدهاند. فصل ها شامل مثال های متعددی است که کاربرد جنبه های نظری ارائه شده را نشان می دهد. علاوه بر این، مسائل تمرینی طراحی شده اند تا اطمینان حاصل شود که خواننده مفاهیم را درک می کند و می تواند آنها را با استفاده از داده های واقعی اعمال کند. بیشتر دادهها از مناطق سراسر ایالات متحده میآیند، اگرچه برخی از مجموعه دادهها از اروپا و کشورهای سراسر جهان میآیند. علاوه بر این، دادههای پورتال باز مبنای بسیاری از مثالها و مشکلات خواهد بود و به مربی اجازه میدهد تا برنامه را با دادههای محلی که دانشآموزان میتوانند با آن شناسایی کنند، تطبیق دهد. یک پیوست شامل راه حل هایی برای برخی از این مشکلات عملی خواهد بود.
This book introduces the topics of Big Data, data analytics and data science and features the use of open source data. Among the statistical topics described in this book are: data visualization, descriptive measures, probability, probability distributions, the concept of mathematical expectation, confidence intervals, and hypothesis testing. Also covered are analysis of variance, simple linear regression, multiple linear regression and diagnostics, extensions to multiple linear regression models, contingency tables, Chi-square tests, non-parametric methods, and time series method. Chapters include multiple examples showing the application of the theoretical aspects presented. In addition, practice problems are designed to ensure that the reader understands the concepts and can apply them using real data. Most data will come from regions throughout the U.S. though some datasets come from Europe and countries around the world. Moreover, open portal data will be the basis for many of the examples and problems, allowing the instructor to adapt the application to local data with which students can identify. An appendix will include solutions to some of these practice problems.
Statistics suck
so why do I need to learn about it? --
Concepts in statistics --
Data visualization --
Descriptive statistics --
Introduction to probability --
Discrete random variables --
Continuous random variables --
Properties of sample statistics --
Interval estimation for one population parameter --
Hypothesis testing for one population --
Statistical inference to compare parameters from two populations --
Analysis of variance (ANOVA) --
Simple linear regression --
Multiple linear regression --
Inference on association of categorical variables --
Nonparametric testing --
Forecasting.