Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Data Science and Predictive Analytics: Biomedical and Health Applications Using R
Dieses Lehrbuch integriert wichtige mathematische Grundlagen, effiziente Rechenalgorithmen, angewandte statistische Inferenztechniken und modernste Ansätze des maschinellen Lernens, um ein breites Spektrum wichtiger biomedizinischer Informatik, Gesundheitsanalyseanwendungen und entscheidungswissenschaftlicher Herausforderungen anzugehen. Jedes Konzept in diesem Buch enthält eine strenge symbolische Formulierung in Verbindung mit Berechnungsalgorithmen und vollständigen End-to-End-Pipeline-Protokollen, die als funktionale elektronische R-Markdown-Notebooks implementiert sind. Diese Workflows unterstützen aktives Lernen und demonstrieren umfassende Datenmanipulationen, interaktive Visualisierungen und anspruchsvolle Analysen. Der Inhalt umfasst offene Probleme, modernste wissenschaftliche Erkenntnisse, ethische Integration heterogener wissenschaftlicher Werkzeuge und Verfahren zur systematischen Validierung und Verbreitung reproduzierbarer Forschungsergebnisse.
Neben den enormen Herausforderungen, die mit dem Umgang, der Abfrage und dem Verständnis großer Mengen komplexer strukturierter und unstrukturierter Daten verbunden sind, bieten sich einzigartige Möglichkeiten, die mit dem Zugang zu einer Fülle von funktionsreichen, hochdimensionalen und zeitlich variierenden Informationen einhergehen. Die in Data Science and Predictive Analytics behandelten Themen gehen auf spezifische Wissenslücken ein, beseitigen Bildungsbarrieren und mildern Defizite bei der Informationsbereitschaft von Arbeitskräften und in der Datenwissenschaft. Das Buch bietet einen transdisziplinären Lehrplan, der mathematische Grundprinzipien, moderne Berechnungsmethoden, fortgeschrittene Techniken der Datenwissenschaft, modellbasiertes maschinelles Lernen, modellfreie künstliche Intelligenz und innovative biomedizinische Anwendungen integriert. Die vierzehn Kapitel des Buches beginnen mit einer Einführung und bauen schrittweise grundlegende Fähigkeiten auf, von der Visualisierung über lineare Modellierung, Dimensionalitätsreduktion, überwachte Klassifizierung, maschinelle Black-Box-Lerntechniken, qualitative Lernmethoden, unüberwachtes Clustering, Bewertung der Modellleistung, Strategien zur Merkmalsauswahl, Längsschnittdatenanalyse, Optimierung, neuronale Netze und Deep Learning. Die zweite Auflage des Buches enthält zusätzliche lernbasierte Strategien, die generative adversarische Netzwerke, Transferlernen und die Erzeugung synthetischer Daten nutzen, sowie acht ergänzende elektronische Anhänge.
Dieses Lehrbuch eignet sich sowohl für den formalen, didaktisch angeleiteten Unterricht als auch für das individuelle oder teamunterstützte Selbststudium. Das Material wird in Hochschulkursen der Oberstufe und auf Graduiertenebene präsentiert und deckt angewandte und interdisziplinäre Mathematik, moderne lernbasierte Datenwissenschaftstechniken, Entwicklung von Rechenalgorithmen, Optimierungstheorie, statistische Berechnungen und biomedizinische Wissenschaften ab. Die in dem Buch beschriebenen analytischen Techniken und prädiktiven wissenschaftlichen Methoden können für eine Vielzahl von Lesern, formalen und informellen Lernenden, Hochschullehrern, Forschern und Ingenieuren in der gesamten Akademie, Industrie, Regierung, Regulierungs-, Finanzierungs- und Politikagenturen nützlich sein. Die Website zum Buch bietet zahlreiche Beispiele, Datensätze, funktionale Skripte, vollständige elektronische Notizbücher, umfangreiche Anhänge und zusätzliche Materialien.
| ISBN: | 9783031174827 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
Derzeit verfügbar, auf Lager.
