ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics

دانلود کتاب ریاضیات ضروری برای علم داده: کنترل داده های خود را با جبر خطی اساسی، احتمالات و آمار در دست بگیرید

Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics

مشخصات کتاب

Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 1098102932, 9781098102937 
ناشر: O'Reilly Media 
سال نشر: 2022 
تعداد صفحات: 348
[350] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 Mb 

قیمت کتاب (تومان) : 31,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics 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 ریاضیات ضروری برای علم داده: کنترل داده های خود را با جبر خطی اساسی، احتمالات و آمار در دست بگیرید 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 ریاضیات ضروری برای علم داده: کنترل داده های خود را با جبر خطی اساسی، احتمالات و آمار در دست بگیرید

به ریاضیات مورد نیاز برای برتری در علم داده، یادگیری ماشین و آمار تسلط داشته باشید. در این کتاب، نویسنده توماس نیلد، شما را از طریق حوزه‌هایی مانند حساب دیفرانسیل و انتگرال، احتمال، جبر خطی، و آمار و نحوه اعمال آنها در تکنیک‌هایی مانند رگرسیون خطی، رگرسیون لجستیک و شبکه‌های عصبی راهنمایی می‌کند. در طول مسیر، همچنین بینش های عملی در مورد وضعیت علم داده و نحوه استفاده از این بینش ها برای به حداکثر رساندن شغل خود به دست خواهید آورد. یاد بگیرید چگونه: • از کدهای پایتون و کتابخانه هایی مانند SymPy، NumPy، و scikit-learn برای کشف مفاهیم اساسی ریاضی مانند حساب دیفرانسیل و انتگرال، جبر خطی، آمار و یادگیری ماشین استفاده کنید. • تکنیک هایی مانند رگرسیون خطی، رگرسیون لجستیک، و شبکه های عصبی را به زبان انگلیسی ساده، با حداقل نمادهای ریاضی و اصطلاحات تخصصی درک کنید. • انجام آمار توصیفی و آزمون فرضیه بر روی یک مجموعه داده برای تفسیر مقادیر p و اهمیت آماری • بردارها و ماتریس ها را دستکاری کنید و تجزیه ماتریس را انجام دهید • ادغام و ایجاد دانش افزایشی از حساب دیفرانسیل و انتگرال، احتمال، آمار و جبر خطی، و اعمال آن در مدل های رگرسیون از جمله شبکه های عصبی • عملاً در حرفه علم داده حرکت کنید و از دام‌ها، مفروضات و سوگیری‌های رایج اجتناب کنید، در حالی که مجموعه مهارت‌های خود را برای برجسته شدن در بازار کار تنظیم می‌کنید.


توضیحاتی درمورد کتاب به خارجی

Master the math needed to excel in data science, machine learning, and statistics. In this book author Thomas Nield guides you through areas like calculus, probability, linear algebra, and statistics and how they apply to techniques like linear regression, logistic regression, and neural networks. Along the way you'll also gain practical insights into the state of data science and how to use those insights to maximize your career. Learn how to: • Use Python code and libraries like SymPy, NumPy, and scikit-learn to explore essential mathematical concepts like calculus, linear algebra, statistics, and machine learning • Understand techniques like linear regression, logistic regression, and neural networks in plain English, with minimal mathematical notation and jargon • Perform descriptive statistics and hypothesis testing on a dataset to interpret p-values and statistical significance • Manipulate vectors and matrices and perform matrix decomposition • Integrate and build upon incremental knowledge of calculus, probability, statistics, and linear algebra, and apply it to regression models including neural networks • Navigate practically through a data science career and avoid common pitfalls, assumptions, and biases while tuning your skill set to stand out in the job market



فهرست مطالب

Cover
Copyright
Table of Contents
Preface
	Conventions Used in This Book
	Using Code Examples
	O’Reilly Online Learning
	How to Contact Us
	Acknowledgments
Chapter 1. Basic Math and Calculus Review
	Number Theory
	Order of Operations
	Variables
	Functions
	Summations
	Exponents
	Logarithms
	Euler’s Number and Natural Logarithms
		Euler’s Number
		Natural Logarithms
	Limits
	Derivatives
		Partial Derivatives
		The Chain Rule
	Integrals
	Conclusion
	Exercises
Chapter 2. Probability
	Understanding Probability
		Probability Versus Statistics
	Probability Math
		Joint Probabilities
		Union Probabilities
		Conditional Probability and Bayes’ Theorem
		Joint and Union Conditional Probabilities
	Binomial Distribution
	Beta Distribution
	Conclusion
	Exercises
Chapter 3. Descriptive and Inferential Statistics
	What Is Data?
	Descriptive Versus Inferential Statistics
	Populations, Samples, and Bias
	Descriptive Statistics
		Mean and Weighted Mean
		Median
		Mode
		Variance and Standard Deviation
		The Normal Distribution
		The Inverse CDF
		Z-Scores
	Inferential Statistics
		The Central Limit Theorem
		Confidence Intervals
		Understanding P-Values
		Hypothesis Testing
	The T-Distribution: Dealing with Small Samples
	Big Data Considerations and the Texas Sharpshooter Fallacy
	Conclusion
	Exercises
Chapter 4. Linear Algebra
	What Is a Vector?
		Adding and Combining Vectors
		Scaling Vectors
		Span and Linear Dependence
	Linear Transformations
		Basis Vectors
		Matrix Vector Multiplication
	Matrix Multiplication
	Determinants
	Special Types of Matrices
		Square Matrix
		Identity Matrix
		Inverse Matrix
		Diagonal Matrix
		Triangular Matrix
		Sparse Matrix
	Systems of Equations and Inverse Matrices
	Eigenvectors and Eigenvalues
	Conclusion
	Exercises
Chapter 5. Linear Regression
	A Basic Linear Regression
	Residuals and Squared Errors
	Finding the Best Fit Line
		Closed Form Equation
		Inverse Matrix Techniques
		Gradient Descent
	Overfitting and Variance
	Stochastic Gradient Descent
	The Correlation Coefficient
	Statistical Significance
	Coefficient of Determination
	Standard Error of the Estimate
	Prediction Intervals
	Train/Test Splits
	Multiple Linear Regression
	Conclusion
	Exercises
Chapter 6. Logistic Regression and Classification
	Understanding Logistic Regression
	Performing a Logistic Regression
		Logistic Function
		Fitting the Logistic Curve
	Multivariable Logistic Regression
	Understanding the Log-Odds
	R-Squared
	P-Values
	Train/Test Splits
	Confusion Matrices
	Bayes’ Theorem and Classification
	Receiver Operator Characteristics/Area Under Curve
	Class Imbalance
	Conclusion
	Exercises
Chapter 7. Neural Networks
	When to Use Neural Networks and Deep Learning
	A Simple Neural Network
		Activation Functions
		Forward Propagation
	Backpropagation
		Calculating the Weight and Bias Derivatives
		Stochastic Gradient Descent
	Using scikit-learn
	Limitations of Neural Networks and Deep Learning
	Conclusion
	Exercise
Chapter 8. Career Advice and the Path Forward
	Redefining Data Science
	A Brief History of Data Science
	Finding Your Edge
		SQL Proficiency
		Programming Proficiency
		Data Visualization
		Knowing Your Industry
		Productive Learning
		Practitioner Versus Advisor
	What to Watch Out For in Data Science Jobs
		Role Definition
		Organizational Focus and Buy-In
		Adequate Resources
		Reasonable Objectives
		Competing with Existing Systems
		A Role Is Not What You Expected
	Does Your Dream Job Not Exist?
	Where Do I Go Now?
	Conclusion
Appendix A. Supplemental Topics
	Using LaTeX Rendering with SymPy
	Binomial Distribution from Scratch
	Beta Distribution from Scratch
	Deriving Bayes’ Theorem
	CDF and Inverse CDF from Scratch
	Use e to Predict Event Probability Over Time
	Hill Climbing and Linear Regression
	Hill Climbing and Logistic Regression
	A Brief Intro to Linear Programming
	MNIST Classifier Using scikit-learn
Appendix B. Exercise Answers
	Chapter 1
	Chapter 2
	Chapter 3
	Chapter 4
	Chapter 5
	Chapter 6
	Chapter 7
Index
About the Author
Colophon




نظرات کاربران