Nauka o danych i analiza predykcyjna: Zastosowania biomedyczne i zdrowotne z wykorzystaniem R

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Data Science and Predictive Analytics: Biomedical and Health Applications Using R

Zawartość książki:

Ten podręcznik integruje ważne podstawy matematyczne, wydajne algorytmy obliczeniowe, stosowane techniki wnioskowania statystycznego i najnowocześniejsze podejścia do uczenia maszynowego, aby sprostać szerokiemu zakresowi kluczowych zastosowań informatyki biomedycznej, analityki zdrowotnej i wyzwań związanych z nauką o podejmowaniu decyzji. Każda koncepcja w książce zawiera rygorystyczne symboliczne sformułowanie w połączeniu z algorytmami obliczeniowymi i kompletnymi protokołami potokowymi zaimplementowanymi jako funkcjonalne elektroniczne notatniki R markdown. Te przepływy pracy wspierają aktywne uczenie się i demonstrują kompleksowe manipulacje danymi, interaktywne wizualizacje i zaawansowane analizy. Treść obejmuje otwarte problemy, najnowszą wiedzę naukową, etyczną integrację heterogenicznych narzędzi naukowych oraz procedury systematycznej walidacji i rozpowszechniania powtarzalnych wyników badań.

Oprócz ogromnych wyzwań związanych z obsługą, analizą i zrozumieniem ogromnych ilości złożonych, ustrukturyzowanych i nieustrukturyzowanych danych, istnieją wyjątkowe możliwości, które wiążą się z dostępem do bogactwa bogatych w funkcje, wielowymiarowych i zmiennych w czasie informacji. Tematy poruszane w Data Science and Predictive Analytics dotyczą konkretnych luk w wiedzy, rozwiązują bariery edukacyjne i łagodzą braki w zakresie gotowości informacyjnej siły roboczej i nauki o danych. W szczególności zapewnia transdyscyplinarny program nauczania integrujący podstawowe zasady matematyczne, nowoczesne metody obliczeniowe, zaawansowane techniki nauki o danych, uczenie maszynowe oparte na modelach, sztuczną inteligencję bez modeli i innowacyjne zastosowania biomedyczne. Czternaście rozdziałów książki rozpoczyna się od wprowadzenia i stopniowo buduje podstawowe umiejętności, od wizualizacji po modelowanie liniowe, redukcję wymiarowości, nadzorowaną klasyfikację, techniki uczenia maszynowego typu black-box, jakościowe metody uczenia się, grupowanie bez nadzoru, ocenę wydajności modelu, strategie wyboru cech, analizę danych podłużnych, optymalizację, sieci neuronowe i głębokie uczenie się. Drugie wydanie książki zawiera dodatkowe strategie oparte na uczeniu się wykorzystujące generatywne sieci przeciwstawne, uczenie transferowe i generowanie danych syntetycznych, a także osiem uzupełniających załączników elektronicznych.

Niniejszy podręcznik jest odpowiedni do formalnej edukacji dydaktycznej prowadzonej przez instruktora, a także do samodzielnej nauki indywidualnej lub zespołowej. Materiał jest prezentowany na kursach uniwersyteckich na poziomie wyższym i magisterskim i obejmuje matematykę stosowaną i interdyscyplinarną, współczesne techniki nauki o danych oparte na uczeniu się, opracowywanie algorytmów obliczeniowych, teorię optymalizacji, obliczenia statystyczne i nauki biomedyczne. Techniki analityczne i predykcyjne metody naukowe opisane w książce mogą być przydatne dla szerokiego grona czytelników, formalnych i nieformalnych uczniów, instruktorów akademickich, naukowców i inżynierów w całej akademii, przemyśle, rządzie, agencjach regulacyjnych, finansujących i politycznych. Witryna internetowa książki zawiera wiele przykładów, zestawów danych, skryptów funkcjonalnych, kompletnych notatników elektronicznych, obszernych załączników i materiałów dodatkowych.