کتاب Building Statistical Models in Python

کتاب Building Statistical Models in Python: Develop useful models for regression, classification, time series, and survival analysis (ساخت مدل‌های آماری در پایتون: مدل‌های مفیدی برای رگرسیون، طبقه‌بندی، سری‌های زمانی و تحلیل بقا ایجاد کنید.) علاوه بر شرح مفاهیم مهم آمار، آن‌ها را با استفاده از زبان برنامه‌نویسی پایتون پیاده‌سازی می‌کند.

در ادامه مقدمه‌ای از کتاب Building Statistical Models in Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building Statistical Models in Python:

آمار رشته‌ای از مطالعات است که برای به کارگیری روش‌های تحلیلی برای پاسخ به سؤالات و حل مسائل با استفاده از داده‌ها، در محیط‌های دانشگاهی و صنعتی استفاده می‌شود. بسیاری از روش‌ها برای قرن‌ها وجود داشته اند، در حالی که روش‌های دیگر بسیار جدیدتر هستند.

تجزیه و تحلیل آماری و نتایج برای ارائه به مخاطبان فنی و غیر فنی نسبتاً ساده است. علاوه بر این، تولید نتایج با تجزیه و تحلیل آماری لزوماً به مقادیر زیادی داده یا منابع محاسباتی نیاز ندارد و می‌تواند نسبتاً سریع انجام شود، به خصوص در هنگام استفاده از زبان‌های برنامه نویسی مانند Python که کار با آن و پیاده سازی آن نسبتاً آسان است.

در حالی که ابزارهای هوش مصنوعی (AI) و یادگیری ماشینی پیشرفته (ML) در سال‌های اخیر با افزایش قابلیت دسترسی در قدرت محاسباتی برجسته‌تر و محبوب‌تر شده‌اند، انجام تحلیل‌های آماری به عنوان پیش‌رو برای توسعه پروژه‌های مقیاس بزرگ‌تر با استفاده از هوش مصنوعی و ML می‌تواند این امکان را فراهم کند. یک متخصص برای ارزیابی امکان سنجی و عملی بودن قبل از استفاده از منابع محاسباتی بزرگتر و توسعه معماری پروژه برای آن نوع پروژه‌ها.

کتاب Building Statistical Models in Python طیف گسترده ای از ابزارها را ارائه می‌دهد که معمولاً برای آزمایش فرضیه‌ها و ارائه قابلیت‌های پیش بینی اولیه به تحلیلگران و دانشمندان داده استفاده می‌شوند. خواننده قبل از کاوش در آزمون‌ها و شرایط مختلف که تحت آن‌ها قابل اجرا هستند، مفاهیم اولیه و اصطلاحات مورد نیاز برای درک ابزارهای آماری در این کتاب را بررسی خواهد کرد.

علاوه بر این، خواننده برای ارزیابی عملکرد آزمون‌ها دانش کسب خواهد کرد. در کل، نمونه‌هایی در زبان برنامه‌نویسی پایتون ارائه می‌شود تا خوانندگان بتوانند اطلاعات خود را با استفاده از ابزارهای ارائه‌شده درک کنند، که برای برخی از رایج‌ترین سوالاتی که در صنعت تجزیه و تحلیل داده‌ها با آن مواجه می‌شوند، قابل استفاده است. موضوعاتی که در مورد آن‌ها مرور خواهیم کرد عبارتند از:

• مقدمه‌ای بر آمار
• مدل‌های رگرسیون
• مدل‌های طبقه‌بندی
• مدل‌های سری زمانی
• تجزیه و تحلیل بقا

درک ابزارهای ارائه شده در این بخش‌ها، پایه محکمی را برای خواننده فراهم می‌کند که از طریق آن می‌توان رشد مستقل بیشتری در حوزه آمار را آسان تر به دست آورد.

کتاب Building Statistical Models in Python برای چه کسی است؟

حرفه‌ای‌ها در بیشتر صنایع می‌توانند از ابزارهای این کتاب بهره مند شوند. ابزارهای ارائه شده در درجه اول در سطح بالاتری از تجزیه و تحلیل استنباطی مفید هستند، اما بسته به صنعتی که پزشک مایل است آن‌ها را در آن اعمال کند، می‌تواند در سطوح عمیق تر نیز اعمال شود. مخاطبین این کتاب عبارتند از:

متخصصان صنعت با دانش آماری یا برنامه نویسی محدود که مایلند یاد بگیرند که از داده‌ها برای آزمایش فرضیه‌هایی که در حوزه تجاری خود دارند استفاده کنند.

تحلیلگران داده و دانشمندانی که می‌خواهند دانش آماری خود را گسترش دهند و مجموعه ای از ابزارها و پیاده‌سازی‌های آن‌ها را برای انجام وظایف مختلف داده گرا بیابند.

رویکرد مقدماتی کتاب Building Statistical Models in Python به دنبال فراهم کردن ورود به پایگاه دانش برای مخاطبان گسترده است و بنابراین نباید متخصصان سطح مبتدی را دلسرد کند و نه پزشکان سطح پیشرفته را از مزایای مطالب ارائه شده حذف کند.

آنچه کتاب Building Statistical Models in Python پوشش می‌دهد:

در فصل اول، نمونه گیری و تعمیم، مفاهیم نمونه گیری و تعمیم توضیح داده شده است. بحث نمونه‌گیری چندین روش رایج برای نمونه‌گیری داده‌ها از یک جامعه را پوشش می‌دهد و پیامدهای تعمیم را مورد بحث قرار می‌دهد. این فصل همچنین نحوه تنظیم نرم افزار مورد نیاز این کتاب را مورد بحث قرار می‌دهد.

فصل 2 کتاب Building Statistical Models in Python، توزیع داده‌ها، مقدمه‌ای مفصل در مورد انواع داده‌ها، توزیع‌های رایج مورد استفاده برای توصیف داده‌ها و معیارهای آماری ارائه می‌دهد. این فصل همچنین تبدیل‌های رایج مورد استفاده برای تغییر توزیع‌ها را پوشش می‌دهد.

فصل سوم، آزمون فرضیه، مفهوم آزمون‌های آماری را به عنوان روشی برای پاسخ به سؤالات مورد علاقه معرفی می‌کند. این فصل مراحل انجام تست، انواع خطاهایی که در تست با آن مواجه می‌شود و نحوه انتخاب توان با استفاده از تست Z را پوشش می‌دهد.

فصل 4 کتاب Building Statistical Models in Python، آزمون‌های پارامتریک، بیشتر به بررسی آزمون‌های آماری می‌پردازد، شرح مفصلی از آزمون‌های آماری رایج پارامتریک، مفروضات آزمون‌های پارامتریک، و نحوه ارزیابی اعتبار آزمون‌های پارامتریک ارائه می‌دهد. این فصل همچنین مفهوم تست‌های متعدد را معرفی می‌کند و جزئیاتی را در مورد اصلاحات برای تست‌های متعدد ارائه می‌دهد.

در فصل پنجم، آزمون‌های ناپارامتریک، نحوه انجام آزمون‌های آماری در زمانی که مفروضات آزمون‌های پارامتریک نقض می‌شوند، با دسته‌ای از آزمون‌های بدون فرضیات به نام آزمون‌های ناپارامتریک، مورد بحث قرار می‌گیرد.

فصل ششم کتاب Building Statistical Models in Python، رگرسیون خطی ساده، مفهوم یک مدل آماری را با مدل رگرسیون خطی ساده معرفی می‌کند. این فصل با بحث در مورد مبانی نظری رگرسیون خطی ساده آغاز می‌شود و سپس چگونگی تفسیر نتایج مدل و ارزیابی اعتبار مدل را مورد بحث قرار می‌دهد.

فصل 7، رگرسیون خطی چندگانه، با گسترش مدل رگرسیون خطی ساده به ابعاد اضافی، بر روی فصل قبل استوار است. این فصل همچنین مسائلی را که هنگام مدل‌سازی با متغیرهای توضیحی متعدد، از جمله چند خطی، انتخاب ویژگی و کاهش ابعاد رخ می‌دهد، مورد بحث قرار می‌دهد.

فصل 8 کتاب Building Statistical Models in Python، مدل‌های گسسته، مفهوم طبقه‌بندی را معرفی می‌کند و مدلی برای طبقه‌بندی متغیرها به سطوح گسسته یک متغیر پاسخ طبقه‌بندی می‌کند. این فصل با توسعه طبقه‌بندی باینری مدل شروع می‌شود و سپس مدل را به طبقه‌بندی چند متغیره گسترش می‌دهد. در نهایت، مدل پواسون و مدل‌های دوجمله ای منفی پوشش داده شده است.

فصل 9، تجزیه و تحلیل متمایز، چندین مدل اضافی برای طبقه‌بندی، از جمله تجزیه و تحلیل تفکیک خطی و تجزیه و تحلیل تفکیک درجه دوم را مورد بحث قرار می‌دهد. این فصل همچنین قضیه بیز را معرفی می‌کند.

فصل 10 کتاب Building Statistical Models in Python، مقدمه‌ای بر سری‌های زمانی، داده‌های سری زمانی را معرفی می‌کند، مفهوم سری زمانی خودهمبستگی و معیارهای آماری سری‌های زمانی را مورد بحث قرار می‌دهد. این فصل همچنین مدل نویز سفید و ثابت بودن را معرفی می‌کند.

فصل 11، مدل‌های ARIMA، مدل‌های مدل‌های تک متغیره را مورد بحث قرار می‌دهد. این فصل با بحث در مورد مدل‌های سری‌های زمانی ثابت شروع می‌شود و سپس بحث را به سری‌های زمانی غیر ساکن گسترش می‌دهد. در نهایت، این فصل یک بحث مفصل در مورد ارزیابی مدل ارائه می‌دهد.

فصل 12 کتاب Building Statistical Models in Python، سری زمانی چند متغیره، بر اساس دو فصل قبلی با معرفی مفهوم سری زمانی چند متغیره است و مدل‌های ARIMA را به متغیرهای توضیحی متعدد گسترش می‌دهد. این فصل همچنین به بحث همبستگی متقابل سری‌های زمانی می‌پردازد.

فصل 13، تجزیه و تحلیل بقا، داده‌های بقا را معرفی می‌کند که داده‌های زمان تا رویداد نیز نامیده می‌شود. این فصل مفهوم سانسور و تأثیر سانسور داده‌های بقا را مورد بحث قرار می‌دهد. در نهایت، این فصل تابع بقا، خطر و نسبت خطر را مورد بحث قرار می‌دهد.

فصل 14، مدل‌های بقا، بر اساس فصل قبل، مروری بر چندین مدل برای داده‌های بقا، از جمله مدل کاپلان مایر، مدل نمایی، و مدل مخاطرات متناسب کاکس ارائه می‌کند.

سرفصل‌های کتاب Building Statistical Models in Python:

• Building Statistical Models in Python
• Contributors
• About the authors
• About the reviewers
• Preface
• Part 1:Introduction to Statistics
  • Chapter 1: Sampling and Generalization
  • Chapter 2: Distributions of Data
  • Chapter 3: Hypothesis Testing
  • Chapter 4: Parametric Tests
  • Chapter 5: Non-Parametric Tests
• Part 2:Regression Models
  • Chapter 6: Simple Linear Regression
  • Chapter 7: Multiple Linear Regression
• Part 3:Classification Models
  • Chapter 8: Discrete Models
  • Chapter 9: Discriminant Analysis
• Part 4:Time Series Models
  • Chapter 10: Introduction to Time Series
  • Chapter 11: ARIMA Models
  • Chapter 12: Multivariate Time Series
• Part 5:Survival Analysis
  • Chapter 13: Time-to-Event Variables – An Introduction
  • Chapter 14: Survival Models
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Building Statistical Models in Python می‌توانید پس از پرداخت، دریافت کنید.