Основы математики в науке о данных. Линейная алгебра, исчисление вероятностей

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

• Autor: Thomas Nield
• Wydawnictwo: Helion
• Rok wydania: 2023
• Oprawa: broszurowa
• Liczba stron: 288
• Format: 23.5 x 16.5 cm
• Numer ISBN: 9788383220130
• Kod paskowy (EAN): 9788383220130
• Kategoria: Książki > Podręczniki > Podręczniki akademickie

Książka "Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka" - opis

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 scienceZrozum matematykę i efektywnie używaj danych!