دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: جبر: جبر خطی ویرایش: 1 نویسندگان: Ernest Davis 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
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.
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
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
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