ESSENTIAL MATH FOR DATA SCIENCE: take control of your data with fundamental calculus, linear... algebra, probability, and statistics

بر ریاضیات لازم برای برتری در علم داده و یادگیری ماشین مسلط شوید. اگر دانشمند داده ای هستید که فاقد پیشینه ریاضی یا علمی هستید یا توسعه دهنده ای هستید که می خواهد دامنه های داده را به مجموعه مهارت های شما اضافه کند، این کتاب شماست. نویسنده هادرین ژان پایه‌ای در ریاضیات برای علم داده، یادگیری ماشین و یادگیری عمیق به شما ارائه می‌دهد.

از طریق دوره این کتاب، یاد می‌گیرید که چگونه از نمادهای ریاضی برای درک پیشرفت‌های جدید در این زمینه استفاده کنید. با همسالان خود ارتباط برقرار کنید و مسائل را به صورت ریاضی حل کنید. همچنین متوجه خواهید شد که زیر سرپوش الگوریتم‌هایی که استفاده می‌کنید چه چیزی وجود دارد.

بیاموزید که چگونه:

• از نوت‌بوک‌های پایتون و ژوپیتر برای ترسیم داده‌ها، نمایش معادلات و تجسم تبدیل‌های فضایی استفاده کنید.
• خواندن و نوشتن نماد ریاضی برای برقراری ارتباط ایده‌ها در علم داده و یادگیری ماشین
• انجام آمار توصیفی و مشاهدات اولیه بر روی یک مجموعه داده
• دستکاری بردارها، ماتریس‌ها و تانسورها برای استفاده از یادگیری ماشین و کتابخانه‌های یادگیری عمیق مانند TensorFlow یا Keras
• دلایل پشت یک مدل خراب را کاوش کنید و آماده تنظیم و تعمیر آن باشید
• ابزار یا الگوریتم مناسب را انتخاب کنید مشکل داده درست

Master the math needed to excel in data science and machine learning. If youre a data scientist who lacks a math or scientific background or a developer who wants to add data domains to your skillset, this is your book. Author Hadrien Jean provides you with a foundation in math for data science, machine learning, and deep learning.

Through the course of this book, youll learn how to use mathematical notation to understand new developments in the field, communicate with your peers, and solve problems in mathematical form. Youll also understand whats under the hood of the algorithms youre using.

Learn how to:

• Use Python and Jupyter notebooks to plot data, represent equations, and visualize space transformations
• Read and write math notation to communicate ideas in data science and machine learning
• Perform descriptive statistics and preliminary observation on a dataset
• Manipulate vectors, matrices, and tensors to use machine learning and deep learning libraries such as TensorFlow or Keras
• Explore reasons behind a broken model and be prepared to tune and fix it
• Choose the right tool or algorithm for the right data problem