reklama - zainteresowany?

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

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie

MIEJSCE 1 na liście 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
Księgarnia: Helion

Cena książki: 41,40 zł (poprzednio: 69,00 zł)
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. NieskoÅ„czoność 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 treści

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieñstwa i statystyka -- spis tre¶ci

Przedmowa

1. Podstawy matematyki oraz rachunku ró¿niczkowego i ca³kowego

  • Teoria liczb
  • Kolejno¶æ dzia³añ
  • Zmienne
  • Funkcje
  • Sumowanie
  • Potêgowanie
  • Logarytmy
  • Liczba Eulera i logarytmy naturalne
    • Liczba Eulera
    • Logarytmy naturalne
  • Granice
  • Pochodne
    • Pochodne cz±stkowe
    • Regu³a ³añcuchowa
  • Ca³ki
  • Podsumowanie
  • Æwiczenia

2. Prawdopodobieñstwo

  • Zrozumieæ prawdopodobieñstwo
    • Prawdopodobieñstwo a statystyka
  • Matematyka prawdopodobieñstw
    • Prawdopodobieñstwa ³±czne
    • Prawdopodobieñstwa alternatywne
    • Prawdopodobieñstwo warunkowe i twierdzenie Bayesa
    • £±czne i alternatywne prawdopodobieñstwa warunkowe
  • Rozk³ad dwumianowy
  • Rozk³ad beta
  • Podsumowanie
  • Æwiczenia

3. Statystyka opisowa i wnioskowanie statystyczne

  • Czym s± dane?
  • Statystyka opisowa a wnioskowanie statystyczne
  • Populacje, próby i obci±¿enie
  • Statystyka opisowa
    • ¦rednia i ¶rednia wa¿ona
    • Mediana
    • Dominanta
    • Wariancja i odchylenie standardowe
    • Rozk³ad normalny
    • Dystrybuanta odwrotna
    • Standaryzacja Z
  • Wnioskowanie statystyczne
    • Centralne twierdzenie graniczne
    • Przedzia³y ufno¶ci
    • Warto¶ci p
    • Testowanie hipotez
  • Rozk³ad t: analizowanie ma³ych prób
  • Big data i b³±d teksañskiego snajpera
  • Podsumowanie
  • Æwiczenia

4. Algebra liniowa

  • Co to jest wektor?
    • Dodawanie i ³±czenie wektorów
    • Skalowanie wektorów
    • Pow³oka i zale¿no¶æ liniowa
  • Przekszta³cenia 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
  • Uk³ady równañ i macierze odwrotne
  • Wektory i warto¶ci w³asne
  • Podsumowanie
  • Æwiczenia

5. Regresja liniowa

  • Podstawowa regresja liniowa
  • Reszty i kwadraty b³êdu
  • Znajdowanie najlepiej dopasowanej linii
    • Równanie w formie zamkniêtej
    • Techniki wykorzystuj±ce macierze odwrotne
    • Metoda gradientu prostego
  • Nadmierne dopasowanie i wariancja
  • Metoda stochastycznego gradientu prostego
  • Wspó³czynnik korelacji
  • Istotno¶æ statystyczna
  • Wspó³czynnik determinacji
  • B³±d standardowy estymacji
  • Przedzia³y przewidywania
  • Podzia³ danych na treningowe i testowe
  • Wielokrotna regresja liniowa
  • Podsumowanie
  • Æwiczenia

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¶ci p
  • Podzia³y na dane treningowe i testowe
  • Macierz b³êdów
  • Twierdzenie Bayesa a klasyfikacja
  • Krzywa ROC/pole pod krzyw±
  • Nierównowaga klas
  • Podsumowanie
  • Æwiczenia

7. Sieci neuronowe

  • Kiedy u¿ywaæ sieci neuronowych i uczenia g³êbokiego?
  • Prosta sieæ neuronowa
    • Funkcje aktywacji
    • Propagacja w przód
  • Propagacja wsteczna
    • Obliczanie pochodnych wzglêdem wag i biasów
    • Metoda gradientu stochastycznego
  • U¿ywanie scikit-learn
  • Ograniczenia sieci neuronowych i uczenia maszynowego
  • Podsumowanie
  • Æwiczenie

8. Porady zawodowe i droga naprzód

  • Nowa definicja data science
  • Krótka historia data science
  • Szukanie przewagi
    • Bieg³o¶æ w SQL-u
    • Bieg³o¶æ w programowaniu
    • Wizualizacja danych
    • Znajomo¶æ bran¿y
    • Produktywna nauka
    • Praktyk czy doradca?
  • Na co trzeba uwa¿aæ 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 siê spodziewa³e¶
  • Czy Twoja praca marzeñ nie istnieje?
  • Co dalej?
  • Podsumowanie

A. Tematy dodatkowe

B. Odpowiedzi do æwiczeñ

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 należą do wydawnictwa Helion S.A.