مشخصات کتاب
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
کلمات کلیدی مربوط به کتاب پایتون برای احتمال ، آمار و یادگیری ماشین: کتابخانه، ادبیات کامپیوتر، پایتون
میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 23
در صورت تبدیل فایل کتاب Python for Probability, Statistics, and Machine Learning 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 پایتون برای احتمال ، آمار و یادگیری ماشین 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 پایتون برای احتمال ، آمار و یادگیری ماشین
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.
توضیحاتی درمورد کتاب به خارجی
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.
نظرات کاربران