برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Causal Inference for Data Science (MEAP V04)

دانلود کتاب استنتاج علی برای علم داده (MEAP V04)

مشخصات کتاب

Causal Inference for Data Science (MEAP V04)

ویرایش:  
نویسندگان: Aleix Ruiz de Villa Robert  
سری:  
 
ناشر: Manning 
سال نشر: 2023 
تعداد صفحات: 217 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb

قیمت کتاب (تومان) : 39,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 3

در صورت تبدیل فایل کتاب Causal Inference for Data Science (MEAP V04) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب استنتاج علی برای علم داده (MEAP V04) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب استنتاج علی برای علم داده (MEAP V04)

این کتاب برای دانشمندان داده و همچنین برای یادگیری ماشین است پزشکان/مهندسان/محققانی که ممکن است نیاز به گنجاندن علیت در مدل های خود احساس کنند. همچنین برای آماردانان و اقتصادسنجی هایی است که می خواهند دانش خود را در مورد استنتاج علی از طریق یادگیری ماشینی و مدل سازی علیت با استفاده از نمودارها توسعه دهند. خوانندگان ممکن است به دانش اولیه احتمال (توزیعات اساسی، احتمالات شرطی، ...)، آمار (فاصله های اطمینان، مدل های خطی)، یادگیری ماشین (اعتبار متقابل و برخی از مدل های غیرخطی) و برخی برنامه نویسی تجربه نیاز داشته باشند.

توضیحاتی درمورد کتاب به خارجی

This book is for data scientists, but also for machine learning practitioners/engineers/researchers that may feel the need to include causality in their models. It is also for statisticians and econometricians that want to develop their knowledge on causal inference through machine learning and modeling causality using graphs. Readers may need a basic knowledge of probability (basic distributions, conditional probabilities, ...), statistics (confidence intervals, linear models), machine learning (cross validation and some nonlinear models) and some experience programming.