reklama - zainteresowany?

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie - Helion

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

MIEJSCE 5 na li┼Ťcie TOP 20
Autor: Thomas Nield
Tytuł oryginału: Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics
Tłumaczenie: Grzegorz Werner
ISBN: 978-83-8322-013-0
stron: 327, Format: 165x235, okładka: mi
Data wydania: 2022-10-01
Ksi─Ögarnia: Helion

Cena ksi─ů┼╝ki: 44,85 z┼é (poprzednio: 69,00 z┼é)
Oszczędzasz: 35% (-24,15 zł)

Dodaj do koszyka Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

Tagi: Matematyka

Rosn

Dodaj do koszyka Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

 

Osoby które kupowały "Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie", wybierały także:

  • Matematyka dla programist├│w JavaScript
  • Matematyka. Kurs video.
  • Matematyka a programowanie. Kurs video. Od poj─Öcia liczby po p┼éaszczyzn─Ö zespolon─ů w Pythonie
  • Matematyka. Kurs video. Teoria dla programisty i data science
  • Ryszard Kilvington. Niesko┼äczono┼Ť─ç i geometria

Dodaj do koszyka Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

Spis tre┼Ťci

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie┼ästwa i statystyka -- spis tre┼Ťci

Przedmowa

1. Podstawy matematyki oraz rachunku ró┼╝niczkowego i ca┼ékowego

  • Teoria liczb
  • Kolejno┼Ť─ç dzia┼éa┼ä
  • Zmienne
  • Funkcje
  • Sumowanie
  • Pot─Ögowanie
  • Logarytmy
  • Liczba Eulera i logarytmy naturalne
    • Liczba Eulera
    • Logarytmy naturalne
  • Granice
  • Pochodne
    • Pochodne cz─ůstkowe
    • Regu┼éa ┼éa┼äcuchowa
  • Ca┼éki
  • Podsumowanie
  • ─ćwiczenia

2. Prawdopodobieństwo

  • Zrozumie─ç prawdopodobie┼ästwo
    • Prawdopodobie┼ästwo a statystyka
  • Matematyka prawdopodobie┼ästw
    • Prawdopodobie┼ästwa ┼é─ůczne
    • Prawdopodobie┼ästwa alternatywne
    • Prawdopodobie┼ästwo warunkowe i twierdzenie Bayesa
    • ┼ü─ůczne i alternatywne prawdopodobie┼ästwa warunkowe
  • Rozk┼éad dwumianowy
  • Rozk┼éad beta
  • Podsumowanie
  • ─ćwiczenia

3. Statystyka opisowa i wnioskowanie statystyczne

  • Czym s─ů dane?
  • Statystyka opisowa a wnioskowanie statystyczne
  • Populacje, próby i obci─ů┼╝enie
  • Statystyka opisowa
    • ┼Ürednia i ┼Ťrednia wa┼╝ona
    • Mediana
    • Dominanta
    • Wariancja i odchylenie standardowe
    • Rozk┼éad normalny
    • Dystrybuanta odwrotna
    • Standaryzacja Z
  • Wnioskowanie statystyczne
    • Centralne twierdzenie graniczne
    • Przedzia┼éy ufno┼Ťci
    • Warto┼Ťci p
    • Testowanie hipotez
  • Rozk┼éad t: analizowanie ma┼éych prób
  • Big data i b┼é─ůd teksa┼äskiego snajpera
  • Podsumowanie
  • ─ćwiczenia

4. Algebra liniowa

  • Co to jest wektor?
    • Dodawanie i ┼é─ůczenie wektorów
    • Skalowanie wektorów
    • Pow┼éoka i zale┼╝no┼Ť─ç liniowa
  • Przekszta┼écenia liniowe
    • Wektory bazowe
    • Mno┼╝enie macierzy przez wektor
  • Mno┼╝enie macierzy
  • Wyznaczniki
  • Specjalne rodzaje macierzy
    • Macierz kwadratowa
    • Macierz jednostkowa
    • Macierz odwrotna
    • Macierz diagonalna
    • Macierz trójk─ůtna
    • Macierz rzadka
  • Uk┼éady równa┼ä i macierze odwrotne
  • Wektory i warto┼Ťci w┼éasne
  • Podsumowanie
  • ─ćwiczenia

5. Regresja liniowa

  • Podstawowa regresja liniowa
  • Reszty i kwadraty b┼é─Ödu
  • Znajdowanie najlepiej dopasowanej linii
    • Równanie w formie zamkni─Ötej
    • Techniki wykorzystuj─ůce macierze odwrotne
    • Metoda gradientu prostego
  • Nadmierne dopasowanie i wariancja
  • Metoda stochastycznego gradientu prostego
  • Wspó┼éczynnik korelacji
  • Istotno┼Ť─ç statystyczna
  • Wspó┼éczynnik determinacji
  • B┼é─ůd standardowy estymacji
  • Przedzia┼éy przewidywania
  • Podzia┼é danych na treningowe i testowe
  • Wielokrotna regresja liniowa
  • Podsumowanie
  • ─ćwiczenia

6. Regresja logistyczna i klasyfikacja

  • Na czym polega regresja logistyczna?
  • Przeprowadzanie regresji logistycznej
    • Funkcja logistyczna
    • Dopasowywanie krzywej logistycznej
  • Regresja logistyczna z wieloma zmiennymi
  • Logarytm szansy
  • R-kwadrat
  • Warto┼Ťci p
  • Podzia┼éy na dane treningowe i testowe
  • Macierz b┼é─Ödów
  • Twierdzenie Bayesa a klasyfikacja
  • Krzywa ROC/pole pod krzyw─ů
  • Nierównowaga klas
  • Podsumowanie
  • ─ćwiczenia

7. Sieci neuronowe

  • Kiedy u┼╝ywa─ç sieci neuronowych i uczenia g┼é─Öbokiego?
  • Prosta sie─ç neuronowa
    • Funkcje aktywacji
    • Propagacja w przód
  • Propagacja wsteczna
    • Obliczanie pochodnych wzgl─Ödem wag i biasów
    • Metoda gradientu stochastycznego
  • U┼╝ywanie scikit-learn
  • Ograniczenia sieci neuronowych i uczenia maszynowego
  • Podsumowanie
  • ─ćwiczenie

8. Porady zawodowe i droga naprzód

  • Nowa definicja data science
  • Krótka historia data science
  • Szukanie przewagi
    • Bieg┼éo┼Ť─ç w SQL-u
    • Bieg┼éo┼Ť─ç w programowaniu
    • Wizualizacja danych
    • Znajomo┼Ť─ç bran┼╝y
    • Produktywna nauka
    • Praktyk czy doradca?
  • Na co trzeba uwa┼╝a─ç w pracy zwi─ůzanej z data science?
    • Definicja roli
    • Skupienie organizacyjne i akceptacja
    • Adekwatne zasoby
    • Rozs─ůdne cele
    • Konkurowanie z istniej─ůcymi systemami
    • Twoja rola nie jest tym, czego si─Ö spodziewa┼ée┼Ť
  • Czy Twoja praca marze┼ä nie istnieje?
  • Co dalej?
  • Podsumowanie

A. Tematy dodatkowe

B. Odpowiedzi do ćwiczeń

Skorowidz

Dodaj do koszyka Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe nale┼╝─ů do wydawnictwa Helion S.A.