دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistical Learning with Math and Python: 100 Exercises for Building Logic
دانلود کتاب آموزش آماری با ریاضیات و پایتون: 100 تمرین برای ساختن منطق
مشخصات کتاب
Statistical Learning with Math and Python: 100 Exercises for Building Logic
ویرایش: 1st ed. 2021
نویسندگان: Joe Suzuki
سری:
ISBN (شابک) : 9811578761, 9789811578762
ناشر: Springer
سال نشر: 2021
تعداد صفحات: 260
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 31,000
در صورت تبدیل فایل کتاب Statistical Learning with Math and Python: 100 Exercises for Building Logic 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 آموزش آماری با ریاضیات و پایتون: 100 تمرین برای ساختن منطق 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 آموزش آماری با ریاضیات و پایتون: 100 تمرین برای ساختن منطق
حیاتی ترین توانایی برای یادگیری ماشین و علم داده، منطق ریاضی
برای درک ماهیت آنها به جای دانش و تجربه است. این کتاب درسی با
در نظر گرفتن مسائل ریاضی و ساختن برنامه‌های پایتون به ماهیت
یادگیری ماشین و علم داده نزدیک می‌شود.
به عنوان بخش مقدماتی، فصل 1 مقدمه‌ای مختصر بر جبر خطی ارائه می‌کند که به تازه‌کاران کمک می‌کند تا بخوانند. ادامه فصل های اصلی زیر آن فصل‌های بعدی موضوعات اساسی در یادگیری آماری را ارائه می‌کنند: رگرسیون خطی، طبقه‌بندی، نمونه‌گیری مجدد، معیارهای اطلاعاتی، منظم‌سازی، رگرسیون غیرخطی، درخت‌های تصمیم، ماشین‌های بردار پشتیبان و یادگیری بدون نظارت.
هر فصل به صورت ریاضی مسائل یادگیری ماشین را فرموله و حل می کند و برنامه ها را می سازد. متن یک فصل با براهین و برنامه ها در یک پیوست همراه با تمرینات در پایان فصل است. از آنجایی که کتاب به دقت سازماندهی شده است تا راه‌حل‌های تمرین‌های هر فصل را ارائه دهد، خوانندگان می‌توانند با دنبال کردن محتویات هر فصل، کل 100 تمرین را حل کنند.این کتاب درسی برای دوره کارشناسی یا کارشناسی ارشد متشکل از حدود 12 سخنرانی. این کتاب که به سبکی ساده و مستقل نوشته شده است، همچنین یک ماده عالی برای یادگیری مستقل خواهد بود.
توضیحاتی درمورد کتاب به خارجی
The most crucial ability for machine learning and data science
is mathematical logic for grasping their essence rather than
knowledge and experience. This textbook approaches the essence
of machine learning and data science by considering math
problems and building Python programs.
As the preliminary part, Chapter 1 provides a concise introduction to linear algebra, which will help novices read further to the following main chapters. Those succeeding chapters present essential topics in statistical learning: linear regression, classification, resampling, information criteria, regularization, nonlinear regression, decision trees, support vector machines, and unsupervised learning.
Each chapter mathematically formulates and solves machine learning problems and builds the programs. The body of a chapter is accompanied by proofs and programs in an appendix, with exercises at the end of the chapter. Because the book is carefully organized to provide the solutions to the exercises in each chapter, readers can solve the total of 100 exercises by simply following the contents of each chapter.This textbook is suitable for an undergraduate or graduate course consisting of about 12 lectures. Written in an easy-to-follow and self-contained style, this book will also be perfect material for independent learning.
فهرست مطالب
Preface What Makes SLMP Unique? How to Use This Book Acknowledgments Contents 1 Linear Algebra 1.1 Inverse Matrix 1.2 Determinant 1.3 Linear Independence 1.4 Vector Spaces and Their Dimensions 1.5 Eigenvalues and Eigenvectors 1.6 Orthonormal Bases and Orthogonal Matrix 1.7 Diagonalization of Symmetric Matrices Appendix: Proof of Propositions 2 Linear Regression 2.1 Least Squares Method 2.2 Multiple Regression 2.3 Distribution of 2.4 Distribution of the RSS Values 2.5 Hypothesis Testing for j=0 2.6 Coefficient of Determination and the Detection of Collinearity 2.7 Confidence and Prediction Intervals Appendix: Proofs of Propositions Exercises 1–18 3 Classification 3.1 Logistic Regression 3.2 Newton–Raphson Method 3.3 Linear and Quadratic Discrimination 3.4 k-Nearest Neighbor Method 3.5 ROC Curves Exercises 19–31 4 Resampling 4.1 Cross-Validation 4.2 CV Formula for Linear Regression 4.3 Bootstrapping Appendix: Proof of Propositions Exercises 32–39 5 Information Criteria 5.1 Information Criteria 5.2 Efficient Estimation and the Fisher Information Matrix 5.3 Kullback–Leibler Divergence 5.4 Derivation of Akaike's Information Criterion Appendix: Proof of Propositions Exercises 40–48 6 Regularization 6.1 Ridge 6.2 Subderivative 6.3 Lasso 6.4 Comparing Ridge and Lasso 6.5 Setting the λ Value Exercises 49–56 7 Nonlinear Regression 7.1 Polynomial Regression 7.2 Spline Regression 7.3 Natural Spline Regression 7.4 Smoothing Spline 7.5 Local Regression 7.6 Generalized Additive Models Appendix: Proofs of Propositions Exercises 57–68 8 Decision Trees 8.1 Decision Trees for Regression 8.2 Decision Tree for Classification 8.3 Bagging 8.4 Random Forest 8.5 Boosting Exercises 69–74 9 Support Vector Machine 9.1 Optimum Boarder 9.2 Theory of Optimization 9.3 The Solution of Support Vector Machines 9.4 Extension of Support Vector Machines Using a Kernel Appendix: Proofs of Propositions Exercises 75–87 10 Unsupervised Learning 10.1 K-means Clustering 10.2 Hierarchical Clustering 10.3 Principle Component Analysis Appendix: Program Exercises 88–100 Index
