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
ویرایش:
نویسندگان: Juana Sanchez (author)
سری:
ISBN (شابک) : 1516532694, 9781516532698
ناشر: Cognella Academic Publishing
سال نشر: 2019
تعداد صفحات: 355
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Probability for Data Scientists 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 برای دانشمندان داده 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.
Probability for Data Scientists یک مقدمه ریاضی و در عین حال قابل دسترس برای تئوری و کاربردهای احتمال به دانش آموزان ارائه می دهد. دانشآموزان میآموزند که چگونه نظریه احتمال از آمار، علم داده و نظریه یادگیری ماشین پشتیبانی میکند و دانشمندان را قادر میسازد تا فراتر از توصیف دادهها به استنتاج درباره جمعیتهای خاص حرکت کنند. کتاب به دو قسمت تقسیم شده است. بخش اول خوانندگان را با تعاریف، قضایا و روشهای اساسی در چارچوب فضاهای نمونه گسسته آشنا میکند. این به منشا مطالعه ریاضی احتمال، مفاهیم اصلی در نظریه احتمال مدرن، مدلهای احتمال گسسته تک متغیره و دو متغیره، و توزیع چند جملهای میپردازد. بخش دوم بر دانش افاضه شده در قسمت اول استوار است تا ایده های مربوطه را در زمینه فضاهای نمونه پیوسته به دانش آموزان ارائه دهد. این مدلها را برای متغیرهای تصادفی پیوسته منفرد و چندگانه و کاربرد قضایای احتمال در آمار بررسی میکند. Probability for Data Scientists به طور موثری دانش آموزان را با مفاهیم کلیدی احتمال آشنا می کند و نشان می دهد که چگونه مجموعه کوچکی از روش ها را می توان برای انبوهی از مسائل غیرمرتبط با زمینه به کار برد. این برای دوره های آمار، علم داده، تئوری یادگیری ماشین یا هر دوره ای با تاکید بر احتمال مناسب است. تمرینهای متعددی که برخی از آنها کد نرمافزار R را برای انجام آزمایشهایی که قوانین احتمالات را نشان میدهند ارائه میکنند، در هر فصل ارائه شدهاند.
Probability for Data Scientists provides students with a mathematically sound yet accessible introduction to the theory and applications of probability. Students learn how probability theory supports statistics, data science, and machine learning theory by enabling scientists to move beyond mere descriptions of data to inferences about specific populations. The book is divided into two parts. Part I introduces readers to fundamental definitions, theorems, and methods within the context of discrete sample spaces. It addresses the origin of the mathematical study of probability, main concepts in modern probability theory, univariate and bivariate discrete probability models, and the multinomial distribution. Part II builds upon the knowledge imparted in Part I to present students with corresponding ideas in the context of continuous sample spaces. It examines models for single and multiple continuous random variables and the application of probability theorems in statistics. Probability for Data Scientists effectively introduces students to key concepts in probability and demonstrates how a small set of methodologies can be applied to a plethora of contextually unrelated problems. It is well suited for courses in statistics, data science, machine learning theory, or any course with an emphasis in probability. Numerous exercises, some of which provide R software code to conduct experiments that illustrate the laws of probability, are provided in each chapter.
Table of Contents Detailed Table of Contents Preface 1 An Overview of the Origins of the Mathematical Theory of Probability 2 Building Blocks of Modern Probability Modeling 3 Rational Use of Probability in Data Science 4 Sampling and Repeated Trials 5 Probability Models for a Single Discrete Random Variable 6 Probability Models for More Than One Discrete Random Variable 7 Probability in Continuous Sample Spaces 8 Models for More Than One Continuous Random Variable 9 Some Theorems of Probability and Their Application in Statistics 10 How All of the Above Gets Used in Unsuspected Applications