Основы математики в науке о данных. Алгебра

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka

Autor: Thomas Nield

Wydawca: Helion

Rok wydania: 2023

Tłumaczenie: Grzegorz Werner

ISBN: 978-83-8322-013-0

Format: 165x235

Oprawa: miękka

Stron: 288

Książka jest nowa

Cena okładkowa książki: 69.00 zł > cenę promocyjną znajdziesz na naszej aukcji!

REALIZACJA ZAMÓWIEŃ OD 2023-12-16

Produkt w przedsprzedaży - termin realizacji takiego zamówienia zostaje wydłużony do czasu, kiedy produkt trafi do regularnej sprzedaży. Jeśli zamawiasz kilka produktów, Twoje zamówienie zostanie zrealizowane najwcześniej w dniu 2023-12-16.

Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niektórych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty.

To książka przeznaczona dla osób, które chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niektórych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek różniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki sposób posługiwać się nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczególne tematy zostały omówione zrozumiale, przystępnie, bez naukowego żargonu, za to z licznymi praktycznymi przykładami, co dodatkowo ułatwia przyswojenie koncepcji i prawideł matematyki. Opanowanie zawartej tu wiedzy pozwala uniknąć wielu kosztownych błędów projektowych i trafniej wybierać optymalne rozwiązania!

Dzięki książce nauczysz się:

• używać kodu Pythona i jego bibliotek do eksplorowania koncepcji matematycznych
• posługiwać się regresją liniową i regresją logistyczną
• opisywać dane metodami statystycznymi i testować hipotezy
• manipulować wektorami i macierzami
• łączyć wiedzę matematyczną z użyciem modeli regresji
• unikać typowych błędów w stosowaniu matematyki w data science

Zrozum matematykę i efektywnie używaj danych!