947,27 zł

Generalized, Linear, and Mixed Models 2e John Wiley & Sons Inc

Książki / Literatura obcojęzyczna

An accessible and self-contained introduction to statistical models-now in a modernized new edition Generalized, Linear, and Mixed Models, Second Edition provides an up-to-date treatment of the essential techniques for developing and applying a wide variety of statistical models. The book presents thorough and unified coverage of the theory behind generalized, linear, and mixed models and highlights their similarities and differences in various construction, application, and computational aspects. A clear introduction to the basic ideas of fixed effects models, random effects models, and mixed models is maintained throughout, and each chapter illustrates how these models are applicable in a wide array of contexts. In addition, a discussion of general methods for the analysis of such models is presented with an emphasis on the method of maximum likelihood for the estimation of parameters. The authors also provide comprehensive coverage of the latest statistical models for correlated, non-normally distributed data.Thoroughly updated to reflect the latest developments in the field, the Second Edition features: A new chapter that covers omitted covariates, incorrect random effects distribution, correlation of covariates and random effects, and robust variance estimation A new chapter that treats shared random effects models, latent class models, and properties of models A revised chapter on longitudinal data, which now includes a discussion of generalized linear models, modern advances in longitudinal data analysis, and the use between and within covariate decompositions Expanded coverage of marginal versus conditional models Numerous new and updated examples With its accessible style and wealth of illustrative exercises, Generalized, Linear, and Mixed Models , Second Edition is an ideal book for courses on generalized linear and mixed models at the upper-undergraduate and beginning-graduate levels. It also serves as a valuable reference for applied statisticians, industrial practitioners, and researchers.

Sklep: Libristo.pl

27,00 zł

Ewolucyjne wnioskowanie gramatyczne Politechnika Wrocławska

INNE

Uczenie maszynowe (nucchine learning) obejmuje problematykę konstruowania programów komputerowych potrafiących pozyskiwać, na podstawie wprowadzonej informacji, nową wiedzę lub poprawiać wiedzę już posiadaną (Michalewicz 1996). W ostatnich latach zaobserwować można szczególnie intensywny rozwój tej dziedziny i to zarówno w sferze badań podstawowych, jak i zastosowań. Algorytmy uczenia maszynowego są podstawowymi metodami inżynierii wiedzy, systemów doradczych, eksploracji danych, inteligentnych systemów wyszukiwania i filtrowania informacji, przetwarzania obrazów i języka naturalnego, robotyki, a od niedawna również bioinformatyki. Jako dziedzina interdyscyplinarna uczenie maszynowe opiera się na koncepcjach i rezultatach m.in. statystyki, sztucznej inteligencji, filozofii; teorii informacji, biologii, psychologii, teorii decyzji, teorii złożoności obliczeniowej oraz informatyki. Jedną z żywo rozwijających się metod uczenia maszynowego jest wnioskowanie gramatyczne (grammar induction), które podejmuje problematykę uczenia języka (a precyzyjniej gramatyki lub równoważnego automatu) na podstawie przykładowych zdań. Od algorytmu uczącego oczekuje się generalizacji polegającej na umiejętności generacji i akceptacji zdań wychodzących poza zbiór uczący. Problem indukcji gramatyki jest zdefiniowany przez: ?    klasę indukowanego języka, ? dostępność danych uczących, które mogą należeć do języka (przykłady pozytywne), do języka nie należą (przykłady negatywne) lub też dostarczają dodatkowych informacji, ?    wreszcie przez rozmiar danych uczących. Zgodnie z twierdzeniem Golda (1967) niemożliwa jest indukcja dowolnego języka z hierarchii Chomsky'ego jedynie na podstawie przykładów poprawnych, a uzupełnienie zbioru uczącego o zdania negatywne pozwoliło dotychczas na znalezienie efektywnych, tj. działających w czasie wielomianowym; algorytmów uczących jedynie dla wyrażeń regularnych i równoważnych im automatów skończonych (deterministic finite automaton, DFA). Wstęp 1. Wnioskowanie gramatyczne 1.1. Wprowadzenie 1.2. Obszary zastosowań 1.3. Wybrane pojęcia z teorii automatów i języków 1.4. Paradygmaty uczenia 1.4.1. Identyfikacja w granicy 1.4.2. Model PAC 1.4.3. Minimalna długość kodu 1.4.4. Uczenie się na podstawie zapytań 1.5. Indukcja gramatyk bezkontekstowych 1.5.1. Indukcja na podstawie tekstu 1.5.2. Indukcja z danych strukturalnych 1.5.3. Indukcja podklas gramatyk bezkontekstowych 1.5.4. Indukcja alternatywnych reprezentacji gramatyk bezkontekstowych 1.5.5. Indukcja stochastycznych gramatyk bez kontekstowych 1.5.6. Indukcja z zastosowaniem metod sztucznej inteligencji 1.5.7. Algorytm CYK 2. Metody ewolucyjne 2.1. Programowanie ewolucyjne 2.2. Strategie ewolucyjne 2.3. Algorytmy genetyczne 2.4. Programowanie genetyczne 3. Uczący się system klasyfikujący 3.1. Architektura 3.2. Klasyfikacja 3.2.1. Kryterium zasięgu chromosomu 3.2.2. Kryterium miary użyteczności klasyfikatora 3.2.3. Kryterium metody reprezentacji klasyfikatora 3.2.4. Kryterium mechanizmu stosowanego w module odkrywczym 3.2.5. Kryterium pamięci systemu 3.3. Wybrane modele 3.3.1. LCS 3.3.2. ZCS 3.3.3. XCS 3.3.4. ACS 3.4. Zastosowania 4. Model GCS 4.1. Zadanie klasyfikacji 4.2. Werbalny opis modelu 4.3. Klasyfikator 4.3.1. Definicja 4.3.2. Płodność 4.3.3. Przystosowanie 4.4. Gramatyka 4.5. Architektura 4.6. Pokrycie 4.7. Ścisk 4.S. Algorytm genetyczny 4.8.1. Schemat działania 4.5.2. Metody selekcji 4.5.3. Operatory genetyczne 4.9. Korekcja 4.10. Parametry 4.11. Algorytmiczny opis modelu 4,11.1. Główna pętla programu 4.11.2. Indukcja gramatyki 4.11-3. Parsowanie zdania 4.11.4. Ścisk 4.11.5. Operatory pokrycia 4.11.6. Algorytm genetyczny 4.11.7. Korekcja 4.12. Opis programu GCS 5. Badania symulacyjne modelu GCS 5.1. Estymatory symulacji 5.1.1. Dokładność indukcji 5.1.2. Koszt indukcji 5.1.3. Dokładność generalizacji 5.2. Zbiory uczące 5.2.1. Wyrażenia regularne 5.2.2. Języki bezkontekstowe 5.2.3. Gramatyka dziecięca 5.2.4. Korpusy językowe 5.3. Indukcja wybranych języków regularnych 5.4. Indukcja wybranych języków bezkontekstowych 5.5. Indukcja języka naturalnego 5.6. Badanie symulacyjne 5.6.1. Metody selekcji 5.6.2. Selekcja turniejowa 5.6.3. Ścisk 5.6.4. Operatory pokrycia 5.6.5. Liczba początkowych produkcji nieterminalnych 5.6.6. Wielkość elity 5.6.7 Krzyżowanie i mutacja 5.6.8. Inwersja 5.6.9. Liczba symboli nieterminalnych 5.6.10. Płodność 5.6.11. Wagi funkcji dopasowania produkcji 6. Zastosowanie modelu GCS w genomice 6.1. Rozpoznawanie sekwencji telomerowej 6.1.1. Preliminaria biologiczne 6.1.2. Indukcja gramatyki ?telomerowej" 6.2. Poszukiwanie regionów promotorowych 6.2.1. Preliminaria biologiczne 6.2.2. Indukcja gramatyki ?promotorowej" 7. Podsumowanie Załącznik A Załącznik B Załącznik C Bibliografia Skorowidz Spis rysunków Spis tabel Streszczenie w języku angielskim Contents Preface 1. Grammatical inference 1.1. Introduction 1.2. Areas of applications 1.3. Selected concepts in automata theory and formal languages 1.4. Learning paradigms 1.4.1. Identification in the limit 1.4.2. PAC Model 1.4.3. Minimum description length 1.4.4. Query learning 1.5. Context-free grammar induction 1.5.1. Induction from text 1.5.2. Induction from structural data 1.5.3. Induction of subclasses of context-free grammars 1.5.4. Induction of alternative conceptions of context-free grammars 1.5.5. Stochastic context-free grammar induction 1.5.6. Induction with AI methods 1.5.7. CYK algorithm 2. Evolutionary methods 2.1. Evolutionary programming 2.2. Evolutionary strategies 2.3. Genetic algorithms 2.4. Genetic programming 3. Learning classifier system 3.1. Architecture 3.2. Classification 3.2.1. Chromosome scope criterion 3.2.2. Classifier fitness criterion 3.2.3. Classifier representation criterion 3.2.4. Classifier discovery criterion 3.2.5. System memory criterion 3.3. Selected models 3.3.1. LCS 3.3.2. ZCS 3.3.3. XCS 3.3.4. ACS 3.4. Applications 4. GCS model 4.1. Classification task 4.2. Verbal description of model 4.3. Classifier 4.3.1. Definition 4.3.2. Fertility 4.3.3. Fitness 4.4. Grammar 4.5. Architecture 4.6. Covering 4.7. Crowding 4.8. Genetic algorithm 4.8.1. Working scheme 4.8.2. Selection methods 4.8.3. Genetic operators 4.9. Correction 4.10. Parameters 4.11. Algorithmic description of GCS model 4.11.1. Main loop of program 4.11.2. Grammar induction 4.11.3. Sentence parsing 4.11.4. Crowding 4.11.5. Covering operators 4.11.6. Genetic algorithm 4.11.7. Correction 4.12. GCS program description 5. Computer simulation of GCS model 5.1. Estimators of computer simulation 5.1.1. Induction accuracy 5.1.2. Induction cost 5.1.3. Generalization accuracy 5.2. Learning sets 5.2.1. Regular expression 5.2.2. Context-free languages 5.2.3. Toy grammar 5.2.4. Corpora 5.3. Induction of selected regular expressions 5.4. Induction of selected context-free languages 5.5. Natural language induction 5.6. Computer simulation 5.6.1. Selection methods 5.6.2. Tournament selection 5.6.3. Crowding 5.6.4. Covering operators 5.6.5. Number of initial nonterminal productions 5.6.6. Elite size 5.6.7. Crossover and mutation 5.6.8. Inversion 5.6.9. Number of nonterminal symbols 5.6.10. Fertility 5.6.1 1. Weights of production's fitness function 6. Applications of GCS model in genomic 6.1. Recognition of telomer sequences 6.1.1. Biological preliminaries 6.1.2. Telomer grammar induction 6.2. Recognition of promoter sequences 6.2.1. Biological preliminaries 6.2.2. Promoter grammar induction 7. Summary Appendix A Appendix B Appendix C Bibliography Subject index List of figures List of tables Summary in English

Sklep: Księgarnia Techniczna

Sklepy zlokalizowane w miastach: Warszawa, Kraków, Łódź, Wrocław, Poznań, Gdańsk, Szczecin, Bydgoszcz, Lublin, Katowice

1. Sklepy z libristo pl an introduction to models and decompositions in operator theory 6795205

2. Szukaj na wszystkich stronach serwisu

t1=0.016, t2=0, t3=0, t4=0.013, t=0.016