مشخصات کتاب

Probability and Statistics for Computer Science

ویرایش:  
نویسندگان: Forsyth. David  
سری:  
ISBN (شابک) : 9783319644097, 3319644106 
ناشر: Springer International Publishing : Imprint : Springer 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

کلمات کلیدی مربوط به کتاب احتمال و آمار برای علوم کامپیوتر: علوم کامپیوتر، علوم کامپیوتر، شبیه سازی کامپیوتر، آمار ریاضی، احتمال و آمار در علوم کامپیوتر، شبیه سازی و مدل سازی، آمار، آمار و محاسبات / برنامه های آمار

در صورت تبدیل فایل کتاب Probability and Statistics for Computer Science 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 احتمال و آمار برای 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 احتمال و آمار برای علوم کامپیوتر

این کتاب درسی برای دانش‌آموزان علوم کامپیوتر در اواخر سال دوم یا اوایل سال اول در نظر گرفته شده است، که زمینه‌ای جامع در تجزیه و تحلیل داده‌های کمی و کیفی، احتمال، متغیرهای تصادفی و روش‌های آماری از جمله یادگیری ماشینی فراهم می‌کند. با بررسی دقیق موضوعاتی که نیازهای برنامه درسی دوره را برآورده می کند، ویژگی های احتمال و آمار برای علوم کامپیوتر: \"بررسی متغیرهای تصادفی و انتظاراتی که عمدتاً با موارد گسسته سروکار دارند.\" یک درمان عملی از شبیه سازی که نشان می دهد چقدر جالب است. احتمالات و انتظارات را می‌توان با تأکید ویژه بر زنجیره‌های مارکوف استخراج کرد.» شرحی واضح اما واضح از استراتژی‌های استنتاج نقطه‌ای ساده (حداکثر احتمال؛ استنتاج بیزی) در زمینه‌های ساده. این برای پوشش برخی فواصل اطمینان، نمونه‌ها و جمعیت‌ها برای نمونه گیری تصادفی با جایگزینی و ساده ترین آزمون فرضیه. نحوه آموزش طبقه بندی کننده های SVM با نزول گرادیان تصادفی. و نحوه استفاده از پیاده‌سازی روش‌های پیشرفته‌تر مانند جنگل‌های تصادفی و نزدیک‌ترین همسایگان.\" فصلی که به رگرسیون می‌پردازد، توضیح می‌دهد که چگونه رگرسیون خطی و رگرسیون نزدیک‌ترین همسایه‌ها را راه‌اندازی، استفاده و درک کنیم. تجزیه و تحلیل اجزای اصلی، توسعه شهود با دقت، و شامل مثال های عملی متعدد. توضیح مختصری از مقیاس‌بندی چند متغیره از طریق تحلیل مختصات اصلی وجود دارد. \" فصلی که به خوشه‌بندی از طریق روش‌های تجمعی و k-mians می‌پردازد، نحوه ساخت ویژگی‌های کوانتیزه برداری برای سیگنال‌های پیچیده را نشان می‌دهد. در سراسر نشان داده شده، هر فصل اصلی شامل بسیاری از مثال‌های کار شده است و سایر عناصر آموزشی مانند رویه‌ها، تعاریف، حقایق مفید و این را به خاطر بسپار (نکات کوتاه) مسائل و تمرین‌های برنامه‌نویسی در پایان هر فصل همراه با خلاصه‌ای از آنچه خواننده باید بداند. راه حل های مدل برای همه مسائل، و یک کتابچه راهنمای مربی با اسلایدهای ارائه همراه.؛ 1 نماد و قراردادها -- 2 اولین ابزار برای مشاهده داده ها -- 3 نگاه به روابط -- 4 ایده اساسی در احتمال -- 5 متغیر تصادفی و انتظارات - - 6 توزیع احتمال مفید -- 7 نمونه و جمعیت -- 8 اهمیت شواهد -- 9 آزمایش -- 10 مدل احتمال استنتاج از D ata -- 11 استخراج روابط مهم در ابعاد بالا -- 12 آموزش طبقه بندی -- 13 خوشه بندی: مدل های داده های با ابعاد بالا -- 14 رگرسیون -- 15 زنجیره مارکوف و مدل های پنهان مارکوف -- 16 منبع.

توضیحاتی درمورد کتاب به خارجی

This textbook is aimed at computer science undergraduates late in sophomore or early in junior year, supplying a comprehensive background in qualitative and quantitative data analysis, probability, random variables, and statistical methods, including machine learning. With careful treatment of topics that fill the curricular needs for the course, Probability and Statistics for Computer Science features: " A treatment of random variables and expectations dealing primarily with the discrete case." A practical treatment of simulation, showing how many interesting probabilities and expectations can be extracted, with particular emphasis on Markov chains." A clear but crisp account of simple point inference strategies (maximum likelihood; Bayesian inference) in simple contexts. This is extended to cover some confidence intervals, samples and populations for random sampling with replacement, and the simplest hypothesis testing." A chapter dealing with classification, explaining why it's useful; how to train SVM classifiers with stochastic gradient descent; and how to use implementations of more advanced methods such as random forests and nearest neighbors." A chapter dealing with regression, explaining how to set up, use and understand linear regression and nearest neighbors regression in practical problems." A chapter dealing with principal components analysis, developing intuition carefully, and including numerous practical examples. There is a brief description of multivariate scaling via principal coordinate analysis." A chapter dealing with clustering via agglomerative methods and k-means, showing how to build vector quantized features for complex signals. Illustrated throughout, each main chapter includes many worked examples and other pedagogical elements such as boxed Procedures, Definitions, Useful Facts, and Remember This (short tips). Problems and Programming Exercises are at the end of each chapter, with a summary of what the reader should know. Instructor resources include a full set of model solutions for all problems, and an Instructor's Manual with accompanying presentation slides.;1 Notation and conventions -- 2 First Tools for Looking at Data -- 3 Looking at Relationships -- 4 Basic ideas in probability -- 5 Random Variables and Expectations -- 6 Useful Probability Distributions -- 7 Samples and Populations -- 8 The Significance of Evidence -- 9 Experiments -- 10 Inferring Probability Models from Data -- 11 Extracting Important Relationships in High Dimensions -- 12 Learning to Classify -- 13 Clustering: Models of High Dimensional Data -- 14 Regression -- 15 Markov Chains and Hidden Markov Models -- 16 Resources.

فهرست مطالب

Front Matter ....Pages i-xxiv
Front Matter ....Pages 1-1
 First Tools for Looking at Data  (David Forsyth)....Pages 3-27
 Looking at Relationships  (David Forsyth)....Pages 29-50
Front Matter ....Pages 51-51
 Basic Ideas in Probability  (David Forsyth)....Pages 53-85
 Random Variables and Expectations  (David Forsyth)....Pages 87-114
 Useful Probability Distributions  (David Forsyth)....Pages 115-137
Front Matter ....Pages 139-139
 Samples and Populations  (David Forsyth)....Pages 141-157
 The Significance of Evidence  (David Forsyth)....Pages 159-177
 Experiments  (David Forsyth)....Pages 179-196
 Inferring Probability Models from Data  (David Forsyth)....Pages 197-222
Front Matter ....Pages 223-223
 Extracting Important Relationships in High Dimensions  (David Forsyth)....Pages 225-252
 Learning to Classify  (David Forsyth)....Pages 253-279
 Clustering: Models of High Dimensional Data  (David Forsyth)....Pages 281-304
 Regression  (David Forsyth)....Pages 305-330
 Markov Chains and Hidden Markov Models  (David Forsyth)....Pages 331-351
Front Matter ....Pages 353-353
 Resources and Extras  (David Forsyth)....Pages 355-361
Back Matter ....Pages 363-367

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Personality, individual differences, and intelligence

دانلود کتاب Excellent! Starter Teacher's Guide

دانلود کتاب Jenseits des Seins oder anders als sein geschieht

دانلود کتاب Из культурного наследия народов Америки и Африки

دانلود کتاب One Click: Jeff Bezos and the Rise of Amazon.com