Puntuación:
Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.
Data Science and Predictive Analytics: Biomedical and Health Applications Using R
Este libro de texto integra importantes fundamentos matemáticos, algoritmos computacionales eficientes, técnicas de inferencia estadística aplicadas y enfoques de aprendizaje automático de vanguardia para abordar una amplia gama de aplicaciones cruciales de la informática biomédica, el análisis de la salud y los retos de la ciencia de la decisión. Cada concepto del libro incluye una formulación simbólica rigurosa junto con algoritmos computacionales y protocolos completos de canalización de extremo a extremo implementados como cuadernos Markdown electrónicos funcionales en R. Estos flujos de trabajo apoyan el aprendizaje activo y demuestran manipulaciones de datos completas, visualizaciones interactivas y análisis sofisticados. El contenido incluye problemas abiertos, conocimientos científicos de vanguardia, integración ética de herramientas científicas heterogéneas y procedimientos para la validación sistemática y la difusión de resultados de investigación reproducibles.
Además de los enormes desafíos relacionados con el manejo, la interrogación y la comprensión de cantidades masivas de datos complejos estructurados y no estructurados, el acceso a una gran cantidad de información rica en características, altamente dimensional y variable en el tiempo ofrece oportunidades únicas. Los temas tratados en Ciencia de datos y análisis predictivo abordan lagunas de conocimiento específicas, resuelven las barreras educativas y mitigan las deficiencias en la preparación de la mano de obra para la ciencia de datos y la información. En concreto, ofrece un plan de estudios transdisciplinar que integra principios matemáticos básicos, métodos computacionales modernos, técnicas avanzadas de ciencia de datos, aprendizaje automático basado en modelos, inteligencia artificial sin modelos y aplicaciones biomédicas innovadoras. Los catorce capítulos del libro comienzan con una introducción y construyen progresivamente habilidades fundamentales desde la visualización hasta el modelado lineal, la reducción de la dimensionalidad, la clasificación supervisada, las técnicas de aprendizaje automático de caja negra, los métodos de aprendizaje cualitativo, la agrupación no supervisada, la evaluación del rendimiento del modelo, las estrategias de selección de características, el análisis de datos longitudinales, la optimización, las redes neuronales y el aprendizaje profundo. La segunda edición del libro incluye estrategias adicionales basadas en el aprendizaje mediante redes generativas adversariales, aprendizaje por transferencia y generación de datos sintéticos, así como ocho apéndices electrónicos complementarios.
Este libro de texto es adecuado para la enseñanza formal didáctica guiada por un instructor, así como para el autoaprendizaje individual o en equipo. El material se presenta en cursos universitarios de nivel superior y de posgrado y abarca matemáticas aplicadas e interdisciplinarias, técnicas contemporáneas de ciencia de datos basadas en el aprendizaje, desarrollo de algoritmos computacionales, teoría de la optimización, computación estadística y ciencias biomédicas. Las técnicas analíticas y los métodos científicos predictivos descritos en el libro pueden ser útiles para una amplia gama de lectores, estudiantes formales e informales, instructores universitarios, investigadores e ingenieros de la academia, la industria, el gobierno y las agencias reguladoras, de financiación y políticas. El sitio web de apoyo al libro ofrece numerosos ejemplos, conjuntos de datos, scripts funcionales, cuadernos electrónicos completos, extensos apéndices y materiales adicionales.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)