Python for Probability, Statistics, and Machine Learning

این کتاب ایده‌های کلیدی را پوشش می‌دهد که احتمال، آمار و یادگیری ماشین را با استفاده از ماژول‌های پایتون در این زمینه‌ها به تصویر می‌کشد. کل متن، از جمله تمام شکل‌ها و نتایج عددی، با استفاده از کدهای پایتون و نوت‌بوک‌های Jupyter/IPython مرتبط با آن‌ها، که به‌عنوان دانلودهای تکمیلی ارائه شده‌اند، قابل تکرار است. نویسنده شهودهای کلیدی در یادگیری ماشین را با استفاده از مثال‌های معنی‌دار با استفاده از روش‌های تحلیلی متعدد و کدهای پایتون توسعه می‌دهد و در نتیجه مفاهیم نظری را به پیاده‌سازی‌های عینی متصل می‌کند. ماژول‌های پایتون مدرن مانند Pandas، Sympy و Scikit-learn برای شبیه‌سازی و تجسم مفاهیم مهم یادگیری ماشین مانند مبادله بایاس/واریانس، اعتبارسنجی متقابل و منظم‌سازی استفاده می‌شوند. بسیاری از ایده های انتزاعی ریاضی، مانند همگرایی در نظریه احتمال، توسعه یافته و با مثال های عددی نشان داده شده اند. این کتاب برای هر کسی که در سطح کارشناسی با احتمالات، آمار یا یادگیری ماشین آشنا است و دانش ابتدایی برنامه‌نویسی پایتون دارد، مناسب است.

This book covers the key ideas that link probability, statistics, and machine learning illustrated using Python modules in these areas. The entire text, including all the figures and numerical results, is reproducible using the Python codes and their associated Jupyter/IPython notebooks, which are provided as supplementary downloads. The author develops key intuitions in machine learning by working meaningful examples using multiple analytical methods and Python codes, thereby connecting theoretical concepts to concrete implementations. Modern Python modules like Pandas, Sympy, and Scikit-learn are applied to simulate and visualize important machine learning concepts like the bias/variance trade-off, cross-validation, and regularization. Many abstract mathematical ideas, such as convergence in probability theory, are developed and illustrated with numerical examples. This book is suitable for anyone with an undergraduate-level exposure to probability, statistics, or machine learning and with rudimentary knowledge of Python programming.