Detalles MARC
| 000 -LEADER |
|---|
| campo de control de longitud fija |
08944nam a2200349 a 4500 |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20260513213928.0 |
| 006 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA--CARACTERÍSTICAS DEL MATERIAL ADICIONAL |
|---|
| campo de control de longitud fija |
m d |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
cr cnu---uuuuu |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
150327s2015 s 000 0 eng d |
| 020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO |
|---|
| Número Internacional Estándar del Libro |
9783319151953 |
| -- |
978-3-319-15195-3 |
| 040 ## - FUENTE DE CATALOGACIÓN |
|---|
| Centro catalogador/agencia de origen |
CO-CtgCURN |
| Lengua de catalogación |
spa |
| Centro/agencia transcriptor |
coctgcurn |
| 082 04 - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY |
|---|
| Número de clasificación |
610 |
| Información de edición |
23 |
| 100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Cleophas, Ton J. M., |
| Término indicativo de función/relación |
autor. |
| Procedencia de los datos |
http://id.loc.gov/authorities/names/n95035857. |
| 245 10 - MENCIÓN DEL TÍTULO |
|---|
| Título |
Machine Learning in Medicine - a Complete Overview |
| Medio |
[electronic resource] / |
| Mención de responsabilidad, etc. |
by Ton J. Cleophas, Aeilko H. Zwinderman. |
| 260 #4 - PUBLICACIÓN, DISTRIBUCIÓN, ETC. |
|---|
| Lugar de publicación, distribución, etc. |
Cham : : : |
| Nombre del editor, distribuidor, etc. |
Springer International Publishing : : : |
| -- |
Imprint: Springer,,, |
| Fecha de publicación, distribución, etc. |
2015. |
| 260 #1 - PUBLICACIÓN, DISTRIBUCIÓN, ETC. |
|---|
| Fecha de publicación, distribución, etc. |
2015. |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
XXIV, 516 p. 159 illus. : |
| Otros detalles físicos |
online resource. |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| Fuente |
rdacontent |
| 337 ## - TIPO DE MEDIO |
|---|
| Nombre/término del tipo de medio |
computador |
| Código del tipo de medio |
c |
| Fuente |
rdamedia |
| 338 ## - TIPO DE SOPORTE |
|---|
| Nombre/término del tipo de soporte |
recurso en línea |
| Código del tipo de soporte |
cr |
| Fuente |
rdacarrier |
| 504 ## - NOTA DE BIBLIOGRAFÍA, ETC. |
|---|
| Nota de bibliografía, etc. Nota |
Incluye referencias bibliográficas e índice. |
| 505 0# - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
Preface. Section I Cluster and Classification Models -- Hierarchical Clustering and K-means Clustering to Identify℗ Subgroups in Surveys (50 Patients) -- Density-based Clustering to Identify Outlier Groups in Otherwise Homogeneous Data (50 Patients) -- Two Step Clustering to Identify Subgroups and Predict Subgroup Memberships in Individual Future Patients (120 Patients)- Nearest Neighbors for Classifying New Medicines (2 New and 25 Old Opioids)- Predicting High-Risk-Bin Memberships (1445 Families) -- Predicting Outlier Memberships (2000 Patients) -- Data Mining for Visualization of Health Processes (150 Patients) -- 8℗ Trained Decision Trees for a More Meaningful Accuracy (150 Patients) -- Typology of Medical Data (51 Patients) -- Predictions from Nominal Clinical Data (450 Patients) -- Predictions from Ordinal Clinical Data (450 Patients) -- Assessing Relative Health Risks (3000 Subjects) -- Measurement Agreements (30 Patients) -- Column Proportions for Testing Differences between Outcome Scores (450 Patients) -- Pivoting Trays and Tables for Improved Analysis of Multidimensional Data (450 Patients) -- Online Analytical Procedure Cubes for a More Rapid Approach to℗ Analyzing Frequencies (450 Patients) -- Restructure Data Wizard for Data Classified the Wrong Way (20 Patients).-℗ Control Charts for Quality Control of Medicines (164 Tablet Disintegration Times) -- Section II (Log) Linear Models -- Linear, Logistic, and Cox Regression for Outcome Prediction with Unpaired Data (20, 55, and 60 Patients).-℗ Generalized Linear Models for Outcome Prediction with Paired Data (100 Patients and 139 Physicians) -- Generalized Linear Models for Predicting Event-Rates (50 Patients).-℗ Factor Analysis and Partial Least Squares (PLS) for Complex-Data Reduction (250 Patients) -- Optimal Scaling of High-sensitivity Analysis of Health Predictors (250 Patients) -- Discriminant Analysis for Making a Diagnosis from Multiple Outcomes (45 Patients) -- Weighted Least Squares for Adjusting Efficacy Data with℗ Inconsistent Spread (78 Patients) -- Partial Correlations for Removing Interaction Effects from Efficacy Data (64 Patients) -- Canonical Regression for Overall Statistics of Multivariate Data (250 Patients) -- Multinomial Regression for Outcome Categories (55 Patients) -- Various Methods for Analyzing Predictor Categories (60 and 30 Patients) -- Random Intercept Models for Both Outcome and Predictor Categories (55 Patients).-℗ Automatic Regression for Maximizing Linear Relationships (55 Patients) -- Simulation Models for Varying Predictors (9000 Patients) -- Generalized Linear Mixed Models for Outcome Prediction from Mixed Data (20 Patients) -- Two Stage Least Squares for Linear Models with Problematic Predictors (35 Patients) -- Autoregressive Models for Longitudinal Data (120 Monthly Population Records) -- Variance Components for Assessing the Magnitude of Random Effects (40 Patients) -- Ordinal Scaling for Clinical Scores with Inconsistent Intervals (900 Patients) -- Loglinear Models for Assessing Incident Rates with Varying Incident Risks (12 Populations).-℗ Loglinear Models for Outcome Categories (445 Patients) -- Heterogeneity in Clinical Research: Mechanisms Responsible (20 Studies) -- Performance Evaluation of Novel Diagnostic Tests (650 and 588 Patients).-℗ Quantile - Quantile Plots, a Good Start for Looking at Your Medical Data (50 Cholesterol Measurements and 52 Patients) -- Rate Analysis of Medical Data Better than Risk Analysis (52 Patients) -- Trend Tests Will Be Statistically Significant if Traditional Tests Are not (30 and 106 Patients) -- Doubly Multivariate Analysis of Variance for Multiple Observations from Multiple Outcome Variables (16 Patients) -- Probit Models for Estimating Effective Pharmacological Treatment Dosages (14 Tests) -- Interval Censored Data Analysis for Assessing Mean Time to Cancer Relapse (51 Patients).-℗ Structural Equation Modeling with SPSS Analysis of Moment Structures (Amos) for Cause Effect Relationships I (35 Patients) -- Structural Equation Modeling with SPSS Analysis of Moment Structures (Amos) for Cause Effect Relationships II (35 Patients) -- Section III Rules Models -- Neural Networks for Assessing Relationships that are Typically Nonlinear (90 Patients). Complex Samples Methodologies for Unbiased Sampling (9,678 Persons) -- Correspondence Analysis for Identifying the Best of Multiple Treatments in Multiple Groups (217 Patients) -- Decision Trees for Decision Analysis (1004 and 953 Patients).-Multidimensional Scaling for Visualizing Experienced Drug Efficacies (14 Pain-killers and 42 Patients) -- Stochastic Processes for Long Term Predictions from Short Term Observations -- Optimal Binning for Finding High Risk Cut-offs (1445 Families).-℗ Conjoint Analysis for Determining the Most Appreciated Properties of Medicines to Be Developed (15 Physicians) -- Item Response Modeling for Analyzing Quality of Life with Better Precision (1000 Patients) -- Survival Studies with Varying Risks of Dying (50 and 60 Patients) -- Fuzzy Logic for Improved Precision of Pharmacological Data Analysis (9 Induction Dosages) -- Automatic Data Mining for the Best Treatment of a Disease (90 Patients) -- Pareto Charts for Identifying the Main Factors of Multifactorial Outcomes (2000 Admissions to Hospital) -- Radial Basis Neural Networks for Multidimensional Gaussian Data (90 persons) -- Automatic Modeling for Drug Efficacy Prediction (250 Patients) -- Automatic Modeling for Clinical Event Prediction (200 Patients) -- Automatic Newton Modeling in Clinical Pharmacology (15 Alfentanil dosages, 15 Quinidine time-concentration relationships) -- Spectral Plots for High Sensitivity Assessment of Periodicity (6 Years Ḿonthly C Reactive Protein Levels) -- Runs Test for Identifying Best Analysis Models (21 Estimates of Quantity and Quality of Patient Care) -- Evolutionary Operations for Health Process Improvement (8 Operation Room Settings).-℗ Bayesian Networks for Cause Effect Modeling (600 Patients) -- Support Vector Machines for Imperfect Nonlinear Data -- ℗ Multiple Response Sets for Visualizing Clinical Data Trends (811 Patient Visits) -- Protein and DNA Sequence Mining -- Iteration Methods for Crossvalidation (150 Patients) -- Testing Parallel-groups with Different Sample Sizes and Variances (5 Parallel-group Studies) -- Association Rules between Exposure and Outcome (50 and 60 Patients) -- Confidence Intervals for Proportions and Differences in℗ Proportions (100 and 75 Patients) -- Ratio Statistics for Efficacy Analysis of New Drugs 50 Patients).-℗ Fifth Order Polynomes of Circadian Rhythms (1 Patient) -- Gamma Distribution for Estimating the Predictors of Medical Outcomes (110 Patients) Index. |
| 520 ## - RESUMEN, ETC. |
|---|
| Sumario, etc. |
La cantidad de datos almacenados en las bases de datos del mundo se duplica cada 20 meses, y los médicos, familiarizados con los métodos estadísticos tradicionales, no pueden analizarlos. Los métodos tradicionales tienen, de hecho, dificultades para identificar valores atípicos en grandes conjuntos de datos y para encontrar patrones en grandes datos y datos con múltiples variables de exposición / resultado. Además, faltan esencialmente las reglas de análisis para encuestas y cuestionarios, que actualmente son métodos comunes de recolección de datos. Afortunadamente, la nueva disciplina, el aprendizaje automático, puede cubrir todas estas limitaciones. |
| 533 ## - NOTA DE REPRODUCCIÓN |
|---|
| Tipo de reproducción |
Electronic resource. |
| Lugar de la reproducción |
Dordrecht : |
| Institución responsable de la reproducción |
Springer Netherlands, |
| Fecha de la reproducción |
2015. |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Medicina. |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Ciencia (General) |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Estadística. |
| 700 1# - ENTRADA AGREGADA--NOMBRE PERSONAL |
|---|
| Nombre de persona |
Zwinderman, Aeilko H., |
| Término indicativo de función/relación |
autor. |
| 852 ## - LOCALIZACIÓN |
|---|
| Ubicación |
MHE |
| Sublocalización o colección |
MHE |
| Ubicación en estantería |
CF |
| Parte de clasificación |
610 |
| Parte de ítem |
C628 |
| 856 7# - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme de Recurso |
<a href="https://unicurn.sharepoint.com/:b:/s/biblioteca/EQtn5ItvhqxNuXXKzx-jrvQBYnwzfzdyhYgYz1hreuGGxQ?e=2kL0hW">https://unicurn.sharepoint.com/:b:/s/biblioteca/EQtn5ItvhqxNuXXKzx-jrvQBYnwzfzdyhYgYz1hreuGGxQ?e=2kL0hW</a> |
| Nota pública |
<img src="/screens/gifs/go4.gif" alt="Go button" border="0" width="21" height="21" hspace="7" align=middle"> Vea este libro electrónico |
| 942 ## - ELEMENTOS DE ENTRADA SECUNDARIOS (KOHA) |
|---|
| Tipo de ítem Koha |
Libros electrónicos |
| Parte de clasificación |
610 |
| Parte de ítem |
C628 |
| Fuente de la clasificación o esquema de estantería |
Clasificación Decimal Dewey |
