Καλάθι Αγορών (0 προϊόν)

Δεν υπάρχουν προϊόντα στο καλάθι σας.

Ανάλυση Δεδομένων με την R

  • Ανάλυση Δεδομένων με την R
  • Ανάλυση Δεδομένων με την R
  • Ανάλυση Δεδομένων με την R

Ανάλυση δεδομένων με την R

Νικολάου Χριστόφορος,

Διαθεσιμότητα: Αμεσα διαθέσιμο

Σελίδες 504
ISBN13 978-618-5242-56-5
Τόπος Έκδοσης Θεσσαλονίκη
Έτος Έκδοσης 2019
Διαστάσεις 17x24 cm
Εξώφυλλο Μαλακό
Εσωτερικό βιβλίου Έγχρωμο
Συνοδευτικό Υλικό ΟΧΙ
Κωδικός στον Εύδοξο 86192367
-
+

Κανονική Τιμή: 50,00 €

Special Price 45,00 €

 

Από την αστρονομία ως την μοριακή βιολογία και από την κοινωνιολογία ως τα οικονομικά, ο όγκος και η πολυπλοκότητα των δεδομένων που συλλέγουμε και καλούμαστε να αναλύσουμε αυξάνονται με εκρηκτικούς ρυθμούς. Eπιστήμονες, ερευνητές, επαγγελματίες και ερασιτέχνες από τις ιατρικές κλινικές ως το χρηματιστήριο και τον επαγγελματικό αθλητισμό “σκύβουν” καθημερινά πάνω από σειρές, λίστες και πίνακες, δημιουργούν γραφικές παραστάσεις, εφαρμόζουν στατιστικούς ελέγχους και μοντέλα με σκοπό να καταλάβουν καλύτερα φαινόμενα που μέχρι πριν από λίγα χρόνια θεωρούσαμε ότι ήταν τελείως απρόβλεπτα.

Από αυτήν την άποψη, το ερώτημα που βρίσκεται στο επίκεντρο του συγκεκριμένου βιβλίου είναι απλό. Πώς μπορεί κανείς να αναλύσει τα δεδομένα του, έτσι ώστε να μάθει κάτι που δεν γνώριζε πριν; Η προσέγγιση που ακολουθούμε ισορροπεί μεταξύ τεχνικής και μεθοδολογίας. Σε ένα πρώτο επίπεδο δίνονται αναλυτικά οι βασικές αρχές του προγραμματισμού στην R, που αποτελεί σήμερα την γλώσσα επιλογής για την στατιστική ανάλυση δεδομένων. Σε δεύτερο και τρίτο επίπεδο, παρουσιάζονται μεθοδολογίες στατιστικής ανάλυσης και μηχανικής μάθησης που απευθύνονται τόσο σε νέους, όσο και σε έμπειρους χρήστες της R. Οι βασικές αρχές για τον τρόπο με τον οποίο διατυπώνουμε αναλυτικά ερωτήματα παρουσιάζονται μέσα από πρακτικές εφαρμογές σε πραγματικά δεδομένα από διαφορετικά ερευνητικά και επαγγελματικά πεδία.

Γραμμένο και το ίδιο στην R μέσω του μορφοτύπου R-markdown, το βιβλίο παρουσιάζει τη θεωρία σε άμεση σύνδεση με τον κώδικα και τα αποτελέσματά του, με τρόπο που να μπορεί να αναπαραχθεί πλήρως από τους αναγνώστες από την πρώτη ως την τελευταία σελίδα.

Περιεχόμενα
Πρόλογος
Ευχαριστίες

• Μέρος Πρώτο •
Κεφάλαιο 1
1.1 Σε ποιον απευθύνεται αυτό το βιβλίο
1.2 Στόχοι του βιβλίου
1.3 Περιεχόμενα
1.4 Πλεονεκτήματα της R
1.5 Ξεκινώντας με την R
1.6 Το ολοκληρωμένο περιβάλλον R-Studio
1.7 Πως είναι γραμμένο αυτό το βιβλίο
1.8 Διαβάστε περισσότερα

Κεφάλαιο 2 - Μεταβλητές, τελεστές και δεδομένα
2.1 Μεταβλητές στην R
2.2 Τελεστές και απλές πράξεις με μεταβλητές
2.3 Συναρτήσεις
2.4 Πολυδιάστατα δεδομένα
2.5 Εισαγωγή δεδομένων από αρχεία
2.6 Εγγραφή αποτελεσμάτων σε αρχεία
Συμπεράσματα

Κεφάλαιο 3 - Τύποι δεδομένων
Εισαγωγή
Τύποι δεδομένων στην R
3.1 Διανύσματα (vectors)
3.2 Πράξεις σε διανύσματα
3.3 Πίνακες δύο διαστάσεων
3.4 Πλαίσια δεδομένων
3.5 Πίνακες περισσότερων από δύο διαστάσεων
3.6 Λίστες
Συμπεράσματα

Κεφάλαιο 4 - Πλαίσια δεδομένων, παράγοντες και χειρισμοί συνόλων
Εισαγωγή
4.1 Χειρισμοί πλαίσιων δεδομένων
4.2 Παράγοντες (factors)
4.3 Δημιουργία υποσυνόλων (subsetting)
4.4 Πράξεις σε σύνολα

Κεφάλαιο 5 - Γραφικές παραστάσεις
Εισαγωγή
5.1 Ραβδογράμματα με την barplot()
5.2 Προχωρημένα ραβδογράμματα
5.3 Πίτες με την pie()
5.4 Διαγράμματα σκέδασης για συζευγμένα δεδομένα με την plot()
5.5 Χρήση της plot() για σειριακά δεδομένα
5.6 Πολλαπλά διαγράμματα σε μια γραφική με την lines().
5.7 Τρισδιάστατα δεδομένα με τις persp() και filled.contour()
5.7.1 Διαγράμματα 3D περιγραμμάτων
5.8 Αποθήκευση και εκτύπωση γραφικών
Συμπεράσματα

• Μέρος Δεύτερο •
Κεφάλαιο 6 - Εισαγωγή στη στατιστική. Περιγραφική στατιστική
Εισαγωγή
6.1 Μέτρα κεντρικής τάσης
6.2 Μέτρα διασποράς
6.3 Ιστογράμματα
6.3.1 Χρήση μεταβλητών ιστογραμμάτων
6.4 Ποσοστημόρια
6.5 Θηκογράμματα
6.6 Δειγματοληψία και τυχαία δείγματα
6.7 Συναρτήσεις προσομοίωσης κατανομών
Εφαρμογή: Ανάλυση Μαθητικών Επιδόσεων
Συμπεράσματα

Κεφάλαιο 7 - Επαγωγή και έλεγχος υποθέσεων
Εισαγωγή
7.1 Έλεγχος κανονικότητας
7.2 Σύγκριση μέσων τιμών
7.3 Σύγκριση λόγων και αναλογιών
7.4 Έλεγχος υπερ-εκπροσωπήσεων με την υπεργεωμετρική κατανομή
7.5 Στατιστικοί έλεγχοι μέσω μεταθέσεων (permutation tests)
Εφαρμογή: Ανάλυση αξίας Ακινήτων στην Πολιτεία της Καλιφόρνια
Συμπεράσματα

Κεφάλαιο 8 - Ανάλυση διακύμανσης και έλεγχοι Πολλαπλών Υποθέσεων
Εισαγωγή
8.1 Πολλαπλοί ζευγαρωτοί έλεγχοι (pairwise tests)
8.2 Έλεγχος πολλαπλών υποθέσεων
8.2.1 Διόρθωση τιμής p-value
8.3 Έλεγχος διακύμανσης
8.4 Ανάλυση διακύμανσης (ANOVA)
8.5 Πολύ-παραγοντική ANOVA (multi-way ANOVA)
8.6 Προϋποθέσεις για την διενέργεια ANOVA
8.7 ANOVA σε μη κανονικά κατανεμημένα δείγματα
Εφαρμογή: Ανάλυση Επιπέδων Γονιδιακής Έκφρασης
Συμπέρασμα

Κεφάλαιο 9 - Συσχέτιση και γραμμική παλινδρόμηση
Εισαγωγή
9.1 Συσχέτιση (correlation)
9.2 Διακύμανση και μερική συσχέτιση (covariance)
9.3 Παλινδρόμηση (regression)
9.4 Απλή γραμμική παλινδρόμηση
9.5 Παλινδρόμηση με την συνάρτηση lm()
9.6 Στοιχεία διάγνωσης μοντέλων παλινδρόμησης
9.7 Σύγκριση μοντέλων και ιεράρχηση παραμέτρων
Εφαρμογή: Τιμές Lego Sets. Πόσο αξίζει στ’ αλήθεια το Millenium Falcon;
Συμπεράσματα

• Μέρος Τρίτο •
Κεφάλαιο 10 - Μείωση Διαστασιμότητας
Εισαγωγή10.1 Ανάλυση Κυρίων Συνιστωσών (Principal Component Analysis, PCA)
10.2 Πολυδιάστατη Κλιμάκωση (Multidimensional Scaling, MDS)
10.4 Διερευνητική Ανάλυση Παραγόντων (Exploratory Factor Analysis, EFA)
10.5 Συμπεράσματα
Εφαρμογή: Κυνηγοί Ταλέντων. Πώς να διαλέξουμε τον επόμενο επιθετικό μας;
Συμπεράσματα

Κεφάλαιο 11 - Ομαδοποίηση
Εισαγωγή
11.1 Γενικές Αρχές Ομαδοποίησης
11.2 Στόχοι της Ομαδοποίησης
11.3 Ιεραρχική Ομαδοποίηση (Hierarchical Clustering)
11.4 Ομαδοποίηση Διαμερισμού (Partition Clustering)
11.5 Ομαδοποίηση μέσω πυκνότητας
11.6 Συμπεράσματα
Εφαρμογή: Διάγνωση Καρκίνου του Μαστού. Πότε είμαστε σίγουροι για τα κακά νέα;
Συμπεράσματα

Κεφάλαιο 12 - Ταξινόμηση
Εισαγωγή
12.1 Ταξινόμηση, ομαδοποίηση και παλινδρόμηση
12.2 Εκμάθηση υπό επίβλεψη. Σύνολα εκμάθησης και Σύνολα ελέγχου
12.3 Μέθοδοι που σχετίζονται με την ομαδοποίηση. Ταξινόμηση k πλησιέστερων γειτόνων (k Nearest Neighbours, kNN)
12.4 Δυαδική Ταξινόμηση με Λογιστική Παλινδρόμηση (Logistic Regression)
12.5 Γενικευμένα Γραμμικά μοντέλα για μη-κανονικές κατανομές (Generalized Linear Models, GLM)
12.6 Δέντρα αποφάσεων (Decision Trees)
12.7 Τυχαία Δάση (Random Forests)
12.8 Μηχανές Διανυσματικής Στήριξης (Support Vector Machines, SVM)
12.9 Συμπεράσματα
Εφαρμογή: Ταξινόμηση πελατών. Σε ποιους θα πρέπει να κάνουμε έκπτωση;
Συμπεράσματα

Περιεχόμενα contents_ANALYSI-DEDOMENON-ME-TIN-R.pdf
Ενδεικτικό Κεφάλαιο chapter_ANALYSH_DEDOMENON_ME_THN_R.pdf
Εγγραφείτε στο site μας και κατεβάστε εντελώς Δωρεάν επιπλέον αρχεία για το συγκεκριμένο βιβλίο

Κριτικές Αναγνωστών

Δεν υπάρχουν κριτικές.

Γράψτε τη δική σας κριτική

Μόνο τα εγγεγραμμένα μέλη μπορούν να γράψουν σχόλια. Παρακαλούμε κάντε κλικ εδώ για να συνδεθείτε ή να εγγραφείτε