Sepetim (0) Toplam: 0,00TL
%10
Ekonometride Büyük Veri ve Makine Öğrenmesi Ebru Çağlayan Akay

Ekonometride Büyük Veri ve Makine Öğrenmesi

Liste Fiyatı : 285,00TL
İndirimli Fiyat : 256,50TL
Kazancınız : 28,50TL
Taksitli fiyat : 3 x 85,50TL
Havale/EFT ile : 251,37TL
%10
Temin süresi 3 iş günüdür.
9789753536035
64800
Ekonometride Büyük Veri ve Makine Öğrenmesi
Ekonometride Büyük Veri ve Makine Öğrenmesi
256.50

Ekonometride Büyük Veri ve Makine Öğrenmesi, Temel Kavramlar - Ebru Çağlayan Akay

Günümüzde büyük veri ve makine öğrenmesi algoritmaları yardımı ile elde edilecek sosyal ve ekonomik sonuçlara karşı ilgi giderek artmaktadır. Bunun nedeni olarak, sürekli bilgi üretilen çağımızda, büyük verilerin sosyal dünya hakkında önemli bilgi kaynağı olması gösterilebilir. Pek çok alanda yaygın kullanılmaya başlanan büyük veri ve makine öğrenmesi analizleri, kapsamı ve amacı farklı olmasına rağmen son yıllarda ekonometri alanında da dikkat çekmeye başlamıştır. Makine öğrenmesi algoritmalarının sosyal bilimler alanında kullanılması haklı olarak özellikle nedensellik açısından eleştiriler almaktadır. Son yıllarda bu alanda yapılan teorik ekonometrik çalışmalar incelendiğinde, bunların temel noktalarının makine öğrenmesi algoritmalarında nedensellik özelliğinin ele alınması üzerine olduğu görülmektedir.

Ekonometrik analizlerde büyük veri ve makine öğrenmesi algoritmalarından yararlanmak ve bu algoritmaları ekonometrik yöntemlerle birleştirmek, karmaşık olguları modellemek, analiz etmek ve zengin bilgi kaynaklarını sosyal bilimler için incelenecek modellere dahil etmek incelenen konu hakkında daha fazla bilgi edinilmesini sağlayabilir. Ekonometrik analizlerde büyük veri ve makine öğrenmesi algoritmalarından fayda sağlayabilmek için büyük veri kavramının net olarak ortaya konulması, diğer veri türlerinden farklılığının ele alınması, uygulamalarda bu tür veri kullanmanın avantaj ve zorluklarının detaylı olarak incelenmesi, makine öğrenmesi algoritmalarının amacı, hedefleri ve kullanılma şekillerinin iyi anlaşılması oldukça önemlidir.

Bu kitapta büyük veri ve makine öğrenmesi ile ilgili temel kavramlar ele alınmış. Regresyon açısından denetimli makine öğrenmesi yöntemleri incelenmiş, sınıflandırma yöntemleri çalışma dışı bırakılmış. Doğrusal, Daraltıcı, Doğrusal Olmayan, Parametrik Olmayan Regresyon ve Regresyon Ağaçları konuları kitapta yer almaktadır. Son bölümlerde ise Yüksek Boyutlu Modeller ve Hibrid Modeller kısaca ele alınmış. Ekonometride büyük veri ve makine öğrenmesine giriş niteliğinde olan bu kitapta açıklanan makine öğrenmesi yöntemlerinin çoğunun R programı uygulamaları basit örneklerle açıklanmış.

(Tanıtım Bülteninden)

  • Açıklama
    • Ekonometride Büyük Veri ve Makine Öğrenmesi, Temel Kavramlar - Ebru Çağlayan Akay

      Günümüzde büyük veri ve makine öğrenmesi algoritmaları yardımı ile elde edilecek sosyal ve ekonomik sonuçlara karşı ilgi giderek artmaktadır. Bunun nedeni olarak, sürekli bilgi üretilen çağımızda, büyük verilerin sosyal dünya hakkında önemli bilgi kaynağı olması gösterilebilir. Pek çok alanda yaygın kullanılmaya başlanan büyük veri ve makine öğrenmesi analizleri, kapsamı ve amacı farklı olmasına rağmen son yıllarda ekonometri alanında da dikkat çekmeye başlamıştır. Makine öğrenmesi algoritmalarının sosyal bilimler alanında kullanılması haklı olarak özellikle nedensellik açısından eleştiriler almaktadır. Son yıllarda bu alanda yapılan teorik ekonometrik çalışmalar incelendiğinde, bunların temel noktalarının makine öğrenmesi algoritmalarında nedensellik özelliğinin ele alınması üzerine olduğu görülmektedir.

      Ekonometrik analizlerde büyük veri ve makine öğrenmesi algoritmalarından yararlanmak ve bu algoritmaları ekonometrik yöntemlerle birleştirmek, karmaşık olguları modellemek, analiz etmek ve zengin bilgi kaynaklarını sosyal bilimler için incelenecek modellere dahil etmek incelenen konu hakkında daha fazla bilgi edinilmesini sağlayabilir. Ekonometrik analizlerde büyük veri ve makine öğrenmesi algoritmalarından fayda sağlayabilmek için büyük veri kavramının net olarak ortaya konulması, diğer veri türlerinden farklılığının ele alınması, uygulamalarda bu tür veri kullanmanın avantaj ve zorluklarının detaylı olarak incelenmesi, makine öğrenmesi algoritmalarının amacı, hedefleri ve kullanılma şekillerinin iyi anlaşılması oldukça önemlidir.

      Bu kitapta büyük veri ve makine öğrenmesi ile ilgili temel kavramlar ele alınmış. Regresyon açısından denetimli makine öğrenmesi yöntemleri incelenmiş, sınıflandırma yöntemleri çalışma dışı bırakılmış. Doğrusal, Daraltıcı, Doğrusal Olmayan, Parametrik Olmayan Regresyon ve Regresyon Ağaçları konuları kitapta yer almaktadır. Son bölümlerde ise Yüksek Boyutlu Modeller ve Hibrid Modeller kısaca ele alınmış. Ekonometride büyük veri ve makine öğrenmesine giriş niteliğinde olan bu kitapta açıklanan makine öğrenmesi yöntemlerinin çoğunun R programı uygulamaları basit örneklerle açıklanmış.

      (Tanıtım Bülteninden)

      Stok Kodu
      :
      9789753536035
      Boyut
      :
      16x24
      Sayfa Sayısı
      :
      222
      Basım Yeri
      :
      İstanbul
      Basım Tarihi
      :
      2020
      Kapak Türü
      :
      Karton Kapak
      Dili
      :
      Türkçe
  • Taksit Seçenekleri
    • Axess Kartlar
      Taksit Sayısı
      Taksit tutarı
      Genel Toplam
      Tek Çekim
      256,50   
      256,50   
      2
      128,25   
      256,50   
      3
      85,50   
      256,50   
      Ziraat Bankkart
      Taksit Sayısı
      Taksit tutarı
      Genel Toplam
      Tek Çekim
      256,50   
      256,50   
      2
      128,25   
      256,50   
      3
      85,50   
      256,50   
      Maximum Kartlar
      Taksit Sayısı
      Taksit tutarı
      Genel Toplam
      Tek Çekim
      256,50   
      256,50   
      2
      128,25   
      256,50   
      3
      85,50   
      256,50   
      Diğer Kartlar
      Taksit Sayısı
      Taksit tutarı
      Genel Toplam
      Tek Çekim
      256,50   
      256,50   
      2
      -   
      -   
      3
      -   
      -   
  • Yorumlar
    • Yorum yaz
      Bu kitabı henüz kimse eleştirmemiş.
Kapat