Name: Modern Dimension Reduction (Elements in Quantitative and Computational Methods for the Social Sciences) (en Inglés)
Price: 120755.00 COP
Availability: InStock
Author: Waggoner, Philip D.
ISBN: 9781108986892

portada Modern Dimension Reduction (Elements in Quantitative and Computational Methods for the Social Sciences) (en Inglés)

Formato

Libro Físico

Autor

Philip D. Waggoner

Editorial

Cambridge University Press

Año

2021

Idioma

Inglés

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.5 cm

Peso

0.14 kg.

ISBN13

9781108986892

Categorías

Ciencias políticas

Modern Dimension Reduction (Elements in Quantitative and Computational Methods for the Social Sciences) (en Inglés)

Philip D. Waggoner (Autor) · Cambridge University Press · Tapa Blanda

Libro Nuevo

$ 120.755

$ 241.511

Ahorras: $ 120.755

50% descuento

Envío normal

Origen: España (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Miércoles 21 de Agosto y el Lunes 02 de Septiembre.

Lo recibirás en cualquier lugar de Colombia entre 1 y 5 días hábiles luego del envío.

Reseña del libro "Modern Dimension Reduction (Elements in Quantitative and Computational Methods for the Social Sciences) (en Inglés)"

Data are not only ubiquitous in society, but are increasingly complex both in size and dimensionality. Dimension reduction offers researchers and scholars the ability to make such complex, high dimensional data spaces simpler and more manageable. This Element offers readers a suite of modern unsupervised dimension reduction techniques along with hundreds of lines of R code, to efficiently represent the original high dimensional data space in a simplified, lower dimensional subspace. Launching from the earliest dimension reduction technique principal components analysis and using real social science data, I introduce and walk readers through application of the following techniques: locally linear embedding, t-distributed stochastic neighbor embedding (t-SNE), uniform manifold approximation and projection, self-organizing maps, and deep autoencoders. The result is a well-stocked toolbox of unsupervised algorithms for tackling the complexities of high dimensional data so common in modern society. All code is publicly accessible on Github.