9780521875806 - statistical learning for biomedical data (practical guides to biostatistics and epidemiology) von james d. malley , karen g. malley , sinisa pajevic (5 Ergebnisse)
Sprache: Englisch
Verlag: Cambridge University Press, 2011
Serie: Practical Guides to Biostatistics and Epidemiology, Buch 4 von 8. Buch 4 von 8 - Practical Guides to Biostatistics and Epidemiology
- Hardcover
- Erstausgabe
Anbieter: Prior Books Ltd, Cheltenham, Vereinigtes KönigreichPrior Books Ltd
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Gebraucht - Wie neu
EUR 15,12
EUR 27,00 VersandVersand von Vereinigtes Königreich nach USAAnzahl: 1 verfügbar
Hardcover. Zustand: Like New. First Edition. Firm, square and tight with sturdy hinges, just showing a few minor bumps and some mild cosmetic wear. Hence a non-text page is stamped 'damaged'. Despite such this book is in nearly new condition. Thus the contents are crisp, fresh and clean. Offered for sale at a very sensible price….
Sprache: Englisch
Verlag: Cambridge University Press, 2011
Serie: Practical Guides to Biostatistics and Epidemiology, Buch 4 von 8. Buch 4 von 8 - Practical Guides to Biostatistics and Epidemiology
- Hardcover
Anbieter: Ria Christie Collections, Uxbridge, Vereinigtes KönigreichRia Christie Collections
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 154,32
EUR 14,07 VersandVersand von Vereinigtes Königreich nach USAAnzahl: Mehr als 20 verfügbar
Zustand: New. In.
Sprache: Englisch
Verlag: Cambridge University Press, 2011
Serie: Practical Guides to Biostatistics and Epidemiology, Buch 4 von 8. Buch 4 von 8 - Practical Guides to Biostatistics and Epidemiology
- Hardcover
Anbieter: Kennys Bookstore, Olney, MD, USAKennys Bookstore
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 208,72
EUR 9,20 VersandVersand innerhalb von USAAnzahl: Mehr als 20 verfügbar
Zustand: New. This highly motivating introduction to statistical learning machines explains underlying principles in nontechnical language, using many examples and figures. Series: Practical Guides to Biostatistics and Epidemiology. Num Pages: 298 pages, 47 b/w illus. 25 tables. BIC Classification: MBNS. Category: (U) Tertiary E…ducation (US: College). Dimension: 253 x 174 x 24. Weight in Grams: 754. . 2011. 1st Edition. hardcover. . . . . Books ship from the US and Ireland.
Sprache: Englisch
Verlag: Cambridge Univ Pr, 2011
Serie: Practical Guides to Biostatistics and Epidemiology, Buch 4 von 8. Buch 4 von 8 - Practical Guides to Biostatistics and Epidemiology
- Hardcover
Anbieter: Revaluation Books, Exeter, Vereinigtes KönigreichRevaluation Books
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 208,63
EUR 14,68 VersandVersand von Vereinigtes Königreich nach USAAnzahl: 2 verfügbar
Hardcover. Zustand: Brand New. 1st edition. 312 pages. 9.84x7.01x0.94 inches. In Stock.
Sprache: Englisch
Verlag: Cambridge University Press, 2011
Serie: Practical Guides to Biostatistics and Epidemiology, Buch 4 von 8. Buch 4 von 8 - Practical Guides to Biostatistics and Epidemiology
- Hardcover
Anbieter: AHA-BUCH GmbH, Einbeck, DeutschlandAHA-BUCH GmbH
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 175,36
EUR 63,50 VersandVersand von Deutschland nach USAAnzahl: 1 verfügbar
Buch. Zustand: Neu. Druck auf Anfrage Neuware - Printed after ordering - This book is for anyone who has biomedical data and needs to identify variables that predict an outcome, for two-group outcomes such as tumor/not-tumor, survival/death, or response from treatment. Statistical learning machines are ideally suited to these ty…pes of prediction problems, especially if the variables being studied may not meet the assumptions of traditional techniques. Learning machines come from the world of probability and computer science but are not yet widely used in biomedical research. This introduction brings learning machine techniques to the biomedical world in an accessible way, explaining the underlying principles in nontechnical language and using extensive examples and figures. The authors connect these new methods to familiar techniques by showing how to use the learning machine models to generate smaller, more easily interpretable traditional models. Coverage includes single decision trees, multiple-tree techniques such as Random Forests(TM), neural nets, support vector machines, nearest neighbors and boosting.
