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


MIEJSCE 1 na liście TOP 20
Autor: Thomas NieldTytuł 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)
Tagi: Matematyka
Osoby które kupowały "Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie", wybierały także:
- Testy statystyczne w procesie podejmowania decyzji 25,20 zł, (10,08 zł -60%)
- Ryszard Kilvington. Nieskończoność i geometria 19,52 zł, (8,98 zł -54%)
- Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie 69,00 zł, (34,50 zł -50%)
- Domowe lekcje matematyki. Klasy 4-6 39,90 zł, (19,95 zł -50%)
- Matematyka w uczeniu maszynowym 129,00 zł, (64,50 zł -50%)
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