کتاب Survival Analysis with Python یک کتاب خلاصه شده و مفید برای یادگیری کاربرد زبان برنامه‌نویسی پایتون در غلوم زیستی و پزشکی می‌باشد. تمرکز این کتاب بر روی بقا و خط بقا می‌باشد که یکی از موارد جالب و مهم در دنیای پزشکی می‌باشد.
در ادامه مقدمه‌ای از کتاب Survival Analysis with Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Survival Analysis with Python:
به عنوان یک موضوع، تحلیل بقا سابقه طولانی دارد. بیشتر علایق اخیر در این زمینه عمدتاً در علم پزشکی (به طور عمده آمار زیستی) مشاهده می‌شود که در آن اثرات عوامل مختلف بر امید به زندگی انسان پس از یک بیماری تجزیه و تحلیل می‌شود. حوزه‌های دیگر عبارتند از:
- آزمایش حیات صنعتی
- تجزیه و تحلیل بلایای طبیعی شدید
- و برخی موضوعات در فیزیک، علوم اجتماعی و غیره
این یک رویکرد آماری برای مطالعه زمان مورد انتظار هر سیستم (بیولوژیکی، فیزیکی، مکانیکی، اجتماعی و غیره) است تا زمانی که قابل اعتماد کار می‌کند برای درک کامل آن، دانش خوب احتمال، آمار و حساب دیفرانسیل و انتگرال یک پیش‌نیاز است.
انگیزه نگارش این کتاب ناشی از نیاز به منابعی با ترکیب نظریه و همچنین رویکردهای بسیار کاربردی در یک مکان واحد است. امروزه پایتون تقریباً یک استاندارد واقعی برای هر موضوع تحلیلی، علم داده یا محاسبات آماری است. علاوه بر این، در حال حاضر، تقریباً هیچ کتابی در مورد تجزیه و تحلیل بقا در ترکیب با پایتون وجود ندارد. به عنوان موضوعی که ماهیت بسیار ریاضی دارد، سعی کردم کتاب Survival Analysis with Python به عنوان پلی بین نظریه‌های پیچیده و اجرای آن‌ها با کد عمل کند. به عنوان مثال، تئوری‌هایی مانند مشتقات ریاضی چگالی گامبل و تابع بقا و موضوعات بسیار کاربردی مانند انتخاب متغیرهای کمکی به شیوه‌ای تکراری هر دو پوشش داده شده‌اند.
به نظر من، این کتاب باید مهندسان نرم‌افزار، متخصصان علوم داده و آماردانان را راهنمایی کند تا هم از منظر نظری و هم از نظر عملی طعم موضوع را دریافت کنند. همچنین ممکن است به دانشجویان برای یک دوره نیم ترم کوتاه در موضوعات مرتبط کمک کند.
توجه: از خوانندگان درخواست می‌شود پایتون 3.x را با کتابخانه lifelines نصب کنند. توصیه می‌کنم برای سهولت استفاده از نوت‌بوک Jupyter استفاده کنید.
بیشتر بخوانید: کتاب Practical Data Science with Jupyter
مروری کوتاه بر کتاب Survival Analysis with Python:
تجزیه و تحلیل بقا از آمار برای محاسبه زمان شکست استفاده می‌کند. تجزیه و تحلیل بقا با پایتون با توضیح نحوه استفاده از زبان برنامه‌نویسی پایتون برای انجام این نوع تجزیه و تحلیل، نگاهی تازه به این موضوع پیچیده دارد، از آنجایی که خود موضوع بسیار ریاضی و پر از عبارات و فرمول‌بندی است، کتاب Survival Analysis with Python توضیحات مفصلی ارائه می‌کند و مفاهیم کاربردی را بررسی می‌کند. کتاب با مروری بر مفاهیم زیربنای تجزیه و تحلیل بقای آماری آغاز می‌شود. سپس به این موضوع می‌پردازد:
مدل‌های پارامتریک با پوشش:
- مفهوم برآورد حداکثر درست‌نمایی (MLE) پارامتر توزیع احتمال
- MLE تابع بقا
- توزیع احتمالات رایج و تجزیه و تحلیل آن‌ها
- تجزیه و تحلیل توزیع نمایی به عنوان یک تابع بقا
- تجزیه و تحلیل توزیع وایبول به عنوان یک تابع بقا
- اشتقاق توزیع گامبل به عنوان یک تابع بقا از Weibull
مدل‌های ناپارامتریک شامل:
- برآوردگر کاپلان مایر (KM)، اشتقاقی از بیان با استفاده از MLE
- برازش مناسب KM با یک مجموعه داده نمونه، کد پایتون و رسم منحنی‌ها
- فرمول‌های گرین‌وود و اشتقاق آن
مدل‌هایی با متغیرهای کمکی که توضیح می‌دهند:
- مفهوم جابجایی زمانی و مدل زمان عمر تسریع شده (AFT)
- مدل Weibull AFT و استخراج پارامترها توسط MLE
- مدل خطر متناسب (PH)
- مدل Cox-PH
- اهمیت متغیرهای کمکی
- انتخاب متغیرهای کمکی
کتابخانه Lifelines Python برای کدنویسی نمونه‌ها استفاده می‌شود. کتاب Survival Analysis with Python یک آموزش عملی و همچنین یک مرجع مفید است.
همچنین شما می‌توانید از کتاب Learn Python Programming نیر برای یادگیری زبان برنامه‌نویسی پایتون استفاده کنید.
سرفصل‌های کتاب Survival Analysis with Python:
- Preface
- About the Author
- 1 Introduction
- 2 General Theory of Survival Analysis
- 3 Parametric Models
- 4 Non‑Parametric Models
- 5 Models with Covariates
- Index
فایل کتاب Survival Analysis with Python را می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.