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 Linear Algebra and Probability for Computer Science Applications

دانلود کتاب جبر خطی و احتمال برای کاربردهای علوم کامپیوتر

Linear Algebra and Probability for Computer Science Applications

مشخصات کتاب

Linear Algebra and Probability for Computer Science Applications

دسته بندی: جبر: جبر خطی
ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1466501553, 9781466501591 
ناشر: CRC Press 
سال نشر: 2012 
تعداد صفحات: 430 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 37,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Linear Algebra and Probability for Computer Science Applications 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 جبر خطی و احتمال برای کاربردهای علوم کامپیوتر 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 جبر خطی و احتمال برای کاربردهای علوم کامپیوتر

امکانات بر تکنیک‌های ریاضی که بیشترین ارتباط را با دانشمندان رایانه دارند، تمرکز می‌کند حداقل پیشینه ریاضی را در نظر می گیرد برنامه های کاربردی از گرافیک کامپیوتری، جستجوی وب، یادگیری ماشینی، رمزنگاری و بسیاری از حوزه های دیگر علوم کامپیوتر را پوشش می دهد. شامل توابع متلب، تکالیف برنامه نویسی متلب و مشکلات در هر فصل است کد متلب را در www.cs.nyu.edu/faculty/davise/MathTechniques/index.html ارائه می دهد بر اساس دوره نویسنده در NYU، جبر خطی و احتمال برای کاربردهای علوم کامپیوتر مقدمه ای بر دو زمینه ریاضی است که در بسیاری از زمینه های علوم کامپیوتر اساسی هستند. خطاب به درس و متن، دانش آموزانی است که دارای پیشینه ریاضی بسیار ضعیف هستند. اکثر فصول در مورد توابع و ویژگی های MATLAB® بحث می کنند و تکالیف نمونه را در MATLAB ارائه می دهند. وب سایت نویسنده کد متلب را از کتاب ارائه می دهد. پس از یک فصل مقدماتی در متلب، متن به دو بخش تقسیم می شود. بخش جبر خطی مقدمه‌ای بر تئوری بردارها، ماتریس‌ها و تبدیل‌های خطی بر روی واقعیات می‌دهد. این شامل یک بحث گسترده در مورد حذف گاوسی، کاربردهای هندسی و تغییر پایه است. همچنین مسائل ثبات عددی و خطای گرد کردن، تبدیل فوریه گسسته، و تجزیه مقدار منفرد را معرفی می‌کند. بخش احتمال مقدمه ای بر نظریه اولیه احتمال و متغیرهای تصادفی عددی ارائه می کند. فصل‌های بعدی مدل‌های مارکوف، روش‌های مونت کارلو، نظریه اطلاعات و تکنیک‌های آماری پایه را مورد بحث قرار می‌دهند. تمرکز در سرتاسر موضوعات و نمونه هایی است که به ویژه با کاربردهای علوم کامپیوتر مرتبط هستند. به عنوان مثال، بحث گسترده ای در مورد استفاده از مدل های پنهان مارکوف برای برچسب گذاری متن و بحث در مورد توزیع Zipf (قانون توان معکوس) وجود دارد. مثال ها و تکالیف برنامه نویسی مثال ها و تکالیف برنامه نویسی بر کاربردهای علوم کامپیوتر تمرکز دارند. برنامه های کاربردی تحت پوشش از طیف وسیعی از زمینه های علوم کامپیوتر، از جمله گرافیک کامپیوتری، بینایی کامپیوتر، روباتیک، پردازش زبان طبیعی، جستجوی وب، یادگیری ماشین، تجزیه و تحلیل آماری، بازی، نظریه گراف، محاسبات علمی، نظریه تصمیم گیری، کدگذاری، رمزنگاری استخراج شده اند. ، تجزیه و تحلیل شبکه، فشرده سازی داده ها و پردازش سیگنال. مشکلات تکالیف بخش‌های مسئله جامع شامل تمرین‌های محاسباتی سنتی، مسائل فکری مانند اثبات‌ها و تکالیف برنامه‌نویسی است که شامل ایجاد توابع متلب است. به روز رسانی های این کتاب (تمرین ها، مسائل و برنامه های بیشتر) را از لینک زیر دانلود کنید: http://www.cs.nyu.edu/faculty/davise/MathTechniques/MoreAssigs/MoreAssigs.html


توضیحاتی درمورد کتاب به خارجی

Features Focuses on mathematical techniques that are most relevant to computer scientists Assumes as little mathematical background as possible Covers applications from computer graphics, web search, machine learning, cryptography, and a host of other computer science areas Includes MATLAB functions, MATLAB programming assignments, and problems in each chapter Offers MATLAB code at www.cs.nyu.edu/faculty/davise/MathTechniques/index.html Based on the author’s course at NYU, Linear Algebra and Probability for Computer Science Applications gives an introduction to two mathematical fields that are fundamental in many areas of computer science. The course and the text are addressed to students with a very weak mathematical background. Most of the chapters discuss relevant MATLAB® functions and features and give sample assignments in MATLAB; the author’s website provides the MATLAB code from the book. After an introductory chapter on MATLAB, the text is divided into two sections. The section on linear algebra gives an introduction to the theory of vectors, matrices, and linear transformations over the reals. It includes an extensive discussion on Gaussian elimination, geometric applications, and change of basis. It also introduces the issues of numerical stability and round-off error, the discrete Fourier transform, and singular value decomposition. The section on probability presents an introduction to the basic theory of probability and numerical random variables; later chapters discuss Markov models, Monte Carlo methods, information theory, and basic statistical techniques. The focus throughout is on topics and examples that are particularly relevant to computer science applications; for example, there is an extensive discussion on the use of hidden Markov models for tagging text and a discussion of the Zipf (inverse power law) distribution. Examples and Programming Assignments The examples and programming assignments focus on computer science applications. The applications covered are drawn from a range of computer science areas, including computer graphics, computer vision, robotics, natural language processing, web search, machine learning, statistical analysis, game playing, graph theory, scientific computing, decision theory, coding, cryptography, network analysis, data compression, and signal processing. Homework Problems Comprehensive problem sections include traditional calculation exercises, thought problems such as proofs, and programming assignments that involve creating MATLAB functions. Download Updates of this Book (More Exercises, Problems & Programmes) from the following Link: http://www.cs.nyu.edu/faculty/davise/MathTechniques/MoreAssigs/MoreAssigs.html



فهرست مطالب

Cover

S Title

Linear Algebra and Probability for Computer Science Applications

© 2012 by Taylor & Francis Group, LLC
     ISBN 978-1-4665-0159-1 (eBook - PDF)

Dedication

Contents

Preface

Chapter 1  MATLAB
     1.1 Desk Calculator Operations
     1.2 Booleans
     1.3 Nonstandard Numbers
     1.4 Loops and Conditionals
     1.5 Script File
     1.6 Functions
     1.7 Variable Scope and Parameter Passing
     Problem
     Programming Assignments


I: Linear Algebra


     Chapter 2  Vectors
          2.1 Definition of Vectors
          2.2 Applications of Vectors
               2.2.1 General Comments about Applications
          2.3 Basic Operations on Vectors
               2.3.1 Algebraic Properties of the Operations
               2.3.2 Applications of Basic Operations
          2.4 Dot Product
               2.4.1 Algebraic Properties of the Dot Product
               2.4.2 Application of the Dot Product: Weighted Sum
               2.4.3 Geometric Properties of the Dot Product
               2.4.4 Metacomment: How to Read Formula Manipulations
               2.4.5 Application of the Dot Product: Similarity of Two Vectors
               2.4.6 Dot Product and Linear Transformations
          2.5 Vectors in MATLAB: Basic Operations
               2.5.1 Creating a Vector and Indexing
               2.5.2 Creating a Vector with Elements in Arithmetic Sequence
               2.5.3 Basic Operations
               2.5.4 Element-by-Element Operations
               2.5.5 Useful Vector Functions
               2.5.6 Random Vectors
               2.5.7 Strings: Arrays of Characters
               2.5.8 Sparse Vectors
          2.6 Plotting Vectors in MATLAB
          2.7 Vectors in Other Programming Languages
          Exercises
          Problems
          Programming Assignments

     Chapter 3  Matrices
          3.1 Definition of Matrices
          3.2 Applications of Matrices
          3.3 Simple Operations on Matrices
          3.4 Multiplying a Matrix Times a Vector
               3.4.1 Applications of Multiplying a Matrix Times a Vector
          3.5 Linear Transformation
          3.6 Systems of Linear Equations
               3.6.1 Applications of Systems of Linear Equations
          3.7 Matrix Multiplication
          3.8 Vectors as Matrices
          3.9 Algebraic Properties of Matrix Multiplication
               3.9.1 Matrix Exponentiation
          3.10 Matrices in MATLAB
               3.10.1 Inputting Matrices
               3.10.2 Extracting Submatrices
               3.10.3 Operations on Matrices
               3.10.4 Sparse Matrices
               3.10.5 Cell Arrays
          Problems
          Programming Assignments

     Chapter 4  Vector Spaces
          4.1 Fundamentals of Vector Spaces
               4.1.1 Subspaces
               4.1.2 Coordinates, Bases, Linear Independence
               4.1.3 Orthogonal and Orthonormal Basis
               4.1.4 Operations on Vector Spaces
               4.1.5 Null Space, Image Space, and Rank
               4.1.6 Systems of Linear Equations
               4.1.7 Inverses
               4.1.8 Null Space and Rank in MATLAB
          4.2 Proofs and Other AbstractMathematics (Optional)
               4.2.1 Vector Spaces
               4.2.2 Linear Independence and Bases
               4.2.3 Sum of Vector Spaces
               4.2.4 Orthogonality
               4.2.5 Functions
               4.2.6 Linear Transformations
               4.2.7 Inverses
               4.2.8 Systems of Linear Equations
          4.3 Vector Spaces in General (Very Optional)
               4.3.1 The General Definition of Vector Spaces
          Exercises
          Programming Assignments

     Chapter 5  Algorithms
          5.1 Gaussian Elimination: Examples
          5.2 Gaussian Elimination: Discussion
               5.2.1 Gaussian Elimination on Matrices
               5.2.2 Maximum Element Row Interchange
               5.2.3 Testing on Zero
          5.3 Computing a Matrix Inverse
          5.4 Inverse and Systems of Equations in MATLAB
          5.5 Ill-Conditioned Matrices
          5.6 Computational Complexity
               5.6.1 Viewpoints on Numerical Computation
               5.6.2 Running Times
          Exercises
          Programming Assignments

     Chapter 6  Geometry
          6.1 Arrows
          6.2 Coordinate Systems
          6.3 Simple Geometric Calculations
               6.3.1 Distance and Angle
               6.3.2 Direction
               6.3.3 Lines in Two-Dimensional Space
               6.3.4 Lines and Planes in Three-Dimensional Space
               6.3.5 Identity, Incidence, Parallelism, and Intersection
               6.3.6 Projections
          6.4 Geometric Transformations
               6.4.1 Translations
               6.4.2 Rotation around the Origin
               6.4.3 Rigid Motions and the Homogeneous Representation
               6.4.4 Similarity Transformations
               6.4.5 Affine Transformations
               6.4.6 Image of a Distant Object
               6.4.7 Determinants
               6.4.8 Coordinate Transformation on Image Arrays
               6.4.8 Coordinate Transformation on Image Arrays
          Exercises
          Problems
          Programming Assignments

     Chapter 7  Change of Basis, DFT, and SVD
          7.1 Change of Coordinate System
               7.1.1 Affine Coordinate Systems
               7.1.2 Duality of Transformation and Coordinate Change; Handedness
               7.1.3 Application: Robotic Arm
          7.2 The Formula for Basis Change
          7.3 Confusion and How to Avoid It
          7.4 Nongeometric Change of Basis
          7.5 Color Graphics
          7.6 Discrete Fourier Transform (Optional)
               7.6.1 Other Applications of the Fourier Transform
               7.6.2 The Complex Fourier Transform
          7.7 Singular Value Decomposition
               7.7.1 Matrix Decomposition
               7.7.2 Proof of Theorem 7.4 (Optional)
          7.8 Further Properties of the SVD
               7.8.1 Eigenvalues of a Symmetric Matrix
          7.9 Applications of the SVD
               7.9.1 Condition Number
               7.9.2 Computing Rank in the Presence of Roundoff
               7.9.3 Lossy Compression
          7.10 MATLAB
               7.10.1 The SVD in MATLAB
               7.10.2 The DFT in MATLAB
          Exercises
          Problems
          Programming Assignments


II: Probability


     Chapter 8  Probability
          8.1 The Interpretations of Probability Theory
          8.2 Finite Sample Spaces
          8.3 Basic Combinatorial Formulas
               8.3.1 Exponential
               8.3.2 Permutations of n Items
               8.3.3 Permutations of k Items out of n
               8.3.4 Combinations of k Items out of n
               8.3.5 Partition into Sets
               8.3.6 Approximation of Central Binomial
               8.3.7 Examples of Combinatorics
          8.4 The Axioms of Probability Theory
          8.5 Conditional Probability
          8.6 The Likelihood Interpretation
          8.7 Relation between Likelihood and Sample Space Probability
          8.8 Bayes’ Law
          8.9 Independence
               8.9.1 Independent Evidence
               8.9.2 Application: Secret Sharing in Cryptography
          8.10 Random Variables
          8.11 Application: Naive Bayes Classification
          Exercises
          Problems
          Programming Assignments

     Chapter 9  Numerical Random Variables
          9.1 Marginal Distribution
          9.2 Expected Value
          9.3 Decision Theory
               9.3.1 Sequence of Actions: Decision Trees
          9.4 Variance and Standard Deviation
          9.5 Random Variables over Infinite Sets of Integers
          9.6 Three Important Discrete Distributions
               9.6.1 The Bernoulli Distribution
               9.6.2 The Binomial Distribution
               9.6.3 The Zipf Distribution
          9.7 Continuous Random Variables
          9.8 Two Important Continuous Distributions
               9.8.1 The Continuous Uniform Distribution
               9.8.2 The Gaussian Distribution
          9.9 MATLAB
          Exercises
          Problems
          Programming Assignments

     Chapter 10  Markov Models
          10.1 Stationary Probability Distribution
               10.1.1 Computing the Stationary Distribution
          10.2 PageRank and Link Analysis
               10.2.1 The Markov Model
               10.2.2 Pages with No Outlinks
               10.2.3 Nonuniform Variants
          10.3 Hidden Markov Models and the K-Gram Model
               10.3.1 The Probabilistic Model
               10.3.2 Hidden Markov Models
               10.3.3 The Viterbi Algorithm
               10.3.4 Part of Speech Tagging
               10.3.5 The Sparse Data Problem and Smoothing
          Exercises
          Problems
          Programming Assignments

     Chapter 11  Confidence Intervals
          11.1 The Basic Formula for Confidence Intervals
          11.2 Application: Evaluating a Classifier
          11.3 Bayesian Statistical Inference (Optional)
          11.4 Confidence Intervals in the Frequentist Viewpoint (Optional)
          11.5 Hypothesis Testing and Statistical Significance
          11.6 Statistical Inference and ESP
          Exercises
          Problems

     Chapter 12  Monte Carlo Methods
          12.1 Finding Area
          12.2 Generating Distributions
          12.3 Counting
          12.4 Counting Solutions to a DNF Formula (Optional)
          12.5 Sums, Expected Values, and Integrals
          12.6 Probabilistic Problems
          12.7 Resampling
          12.8 Pseudorandom Numbers
          12.9 Other Probabilistic Algorithms
          12.10 MATLAB
          Exercises
          Programming Assignments

     Chapter 13  Information and Entropy
          13.1 Information
          13.2 Entropy
          13.3 Conditional Entropy and Mutual Information
          13.4 Coding
               13.4.1 Huffman Coding
          13.5 Entropy of Numeric and Continuous Random Variables
          13.6 The Principle of Maximum Entropy
               13.6.1 The Principle of Maximum Entropy
               13.6.2 Consequences of the Maximum Entropy Principle
          13.7 Statistical Inference
          Exercises
          Problem

     Chapter 14  Maximum Likelihood Estimation
          14.1 Sampling
          14.2 Uniform Distribution
          14.3 Gaussian Distribution: Known Variance
          14.4 Gaussian Distribution: Unknown Variance
          14.5 Least Squares Estimates
               14.5.1 Least Squares in MATLAB
          14.6 Principal Component Analysis
          14.7 Applications of Principal Component Analysis
               14.7.1 Visualization
               14.7.2 Data Analysis
               14.7.3 Bounding Box
               14.7.4 Surface Normals
               14.7.5 Latent Semantic Analysis
          Exercises
          Problems
          Programming Assignments


References

Notation

Back Cover




نظرات کاربران