Python for Probability, Statistics, and Machine Learning

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: Unpingco J.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 288 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 45,000

اسپرینگر، 2016. - 276 ص. — ISBN: 3319307150 نحوه شبیه سازی، مفهوم سازی، و تجسم فرآیندهای آماری تصادفی و استفاده از روش های یادگیری ماشین را توضیح می دهد
به جوامع کلیدی منبع باز پایتون متصل می شود و ماژول‌های مربوطه بر آخرین پیشرفت‌ها در این زمینه متمرکز شده‌اند
احتمال، آمار و مفاهیم یادگیری ماشین را با استفاده از یک رویکرد بصری بصری، پشتیبان‌گیری شده با کدهای تجسم مربوطه نشان می‌دهد این کتاب ایده های کلیدی را پوشش می دهد که احتمال، آمار و یادگیری ماشین را با استفاده از ماژول های پایتون در این زمینه ها به تصویر می کشد. کل متن، از جمله تمام شکل‌ها و نتایج عددی، با استفاده از کدهای پایتون و نوت‌بوک‌های Jupyter/IPython مرتبط با آنها، که به‌عنوان بارگیری‌های 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 ماشینی 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 در معرض احتمالات، آمار یا یادگیری ماشینی قرار دارد و دانش ابتدایی برنامه نویسی پایتون دارد، مناسب است.

Springer, 2016. — 276 p. — ISBN: 3319307150 Explains how to simulate, conceptualize, and visualize random statistical processes and apply machine learning methods
Connects to key open-source Python communities and corresponding modules focused on the latest developments in this area
Outlines probability, statistics, and machine learning concepts using an intuitive visual approach, backed up with corresponding visualization codes 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.