reklama - zainteresowany?

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

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

MIEJSCE 1 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: 41,40 z┼é (poprzednio: 69,00 z┼é)
Oszczędzasz: 40% (-27,60 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:

  • Testy statystyczne w procesie podejmowania decyzji
  • Ryszard Kilvington. Niesko┼äczono┼Ť─ç i geometria
  • Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie
  • Domowe lekcje matematyki. Klasy 4-6
  • Matematyka w uczeniu maszynowym

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

Spis tre┼Ťci

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie˝stwa i statystyka -- spis treÂci

Przedmowa

1. Podstawy matematyki oraz rachunku ró┐niczkowego i ca│kowego

  • Teoria liczb
  • KolejnoŠ dzia│a˝
  • Zmienne
  • Funkcje
  • Sumowanie
  • Potŕgowanie
  • Logarytmy
  • Liczba Eulera i logarytmy naturalne
    • Liczba Eulera
    • Logarytmy naturalne
  • Granice
  • Pochodne
    • Pochodne cz▒stkowe
    • Regu│a │a˝cuchowa
  • Ca│ki
  • Podsumowanie
  • Ăwiczenia

2. Prawdopodobie˝stwo

  • ZrozumieŠ prawdopodobie˝stwo
    • Prawdopodobie˝stwo a statystyka
  • Matematyka prawdopodobie˝stw
    • Prawdopodobie˝stwa │▒czne
    • Prawdopodobie˝stwa alternatywne
    • Prawdopodobie˝stwo warunkowe i twierdzenie Bayesa
    • ú▒czne i alternatywne prawdopodobie˝stwa warunkowe
  • Rozk│ad dwumianowy
  • Rozk│ad beta
  • Podsumowanie
  • Ăwiczenia

3. Statystyka opisowa i wnioskowanie statystyczne

  • Czym s▒ dane?
  • Statystyka opisowa a wnioskowanie statystyczne
  • Populacje, próby i obci▒┐enie
  • Statystyka opisowa
    • Žrednia i Ârednia wa┐ona
    • Mediana
    • Dominanta
    • Wariancja i odchylenie standardowe
    • Rozk│ad normalny
    • Dystrybuanta odwrotna
    • Standaryzacja Z
  • Wnioskowanie statystyczne
    • Centralne twierdzenie graniczne
    • Przedzia│y ufnoÂci
    • WartoÂci p
    • Testowanie hipotez
  • Rozk│ad t: analizowanie ma│ych prób
  • Big data i b│▒d teksa˝skiego snajpera
  • Podsumowanie
  • Ăwiczenia

4. Algebra liniowa

  • Co to jest wektor?
    • Dodawanie i │▒czenie wektorów
    • Skalowanie wektorów
    • Pow│oka i zale┐noŠ liniowa
  • Przekszta│cenia 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▒tna
    • Macierz rzadka
  • Uk│ady równa˝ i macierze odwrotne
  • Wektory i wartoÂci w│asne
  • Podsumowanie
  • Ăwiczenia

5. Regresja liniowa

  • Podstawowa regresja liniowa
  • Reszty i kwadraty b│ŕdu
  • Znajdowanie najlepiej dopasowanej linii
    • Równanie w formie zamkniŕtej
    • Techniki wykorzystuj▒ce macierze odwrotne
    • Metoda gradientu prostego
  • Nadmierne dopasowanie i wariancja
  • Metoda stochastycznego gradientu prostego
  • Wspó│czynnik korelacji
  • IstotnoŠ statystyczna
  • Wspó│czynnik determinacji
  • B│▒d standardowy estymacji
  • Przedzia│y przewidywania
  • Podzia│ danych na treningowe i testowe
  • Wielokrotna regresja liniowa
  • Podsumowanie
  • Ăwiczenia

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
  • WartoÂci p
  • Podzia│y na dane treningowe i testowe
  • Macierz b│ŕdów
  • Twierdzenie Bayesa a klasyfikacja
  • Krzywa ROC/pole pod krzyw▒
  • Nierównowaga klas
  • Podsumowanie
  • Ăwiczenia

7. Sieci neuronowe

  • Kiedy u┐ywaŠ sieci neuronowych i uczenia g│ŕbokiego?
  • Prosta sieŠ neuronowa
    • Funkcje aktywacji
    • Propagacja w przód
  • Propagacja wsteczna
    • Obliczanie pochodnych wzglŕdem wag i biasów
    • Metoda gradientu stochastycznego
  • U┐ywanie scikit-learn
  • Ograniczenia sieci neuronowych i uczenia maszynowego
  • Podsumowanie
  • Ăwiczenie

8. Porady zawodowe i droga naprzód

  • Nowa definicja data science
  • Krótka historia data science
  • Szukanie przewagi
    • Bieg│oŠ w SQL-u
    • Bieg│oŠ w programowaniu
    • Wizualizacja danych
    • ZnajomoŠ bran┐y
    • Produktywna nauka
    • Praktyk czy doradca?
  • Na co trzeba uwa┐aŠ w pracy zwi▒zanej z data science?
    • Definicja roli
    • Skupienie organizacyjne i akceptacja
    • Adekwatne zasoby
    • Rozs▒dne cele
    • Konkurowanie z istniej▒cymi systemami
    • Twoja rola nie jest tym, czego siŕ spodziewa│eÂ
  • Czy Twoja praca marze˝ nie istnieje?
  • Co dalej?
  • Podsumowanie

A. Tematy dodatkowe

B. Odpowiedzi do Šwicze˝

Skorowidz

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

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2023 CATALIST agencja interaktywna, znaki firmowe nale┼╝─ů do wydawnictwa Helion S.A.