ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب The Statistics and Calculus with Python Workshop: A comprehensive introduction to mathematics in Python for artificial intelligence applications

دانلود کتاب کارگاه آمار و حساب دیفرانسیل و انتگرال با پایتون: مقدمه ای جامع بر ریاضیات در پایتون برای کاربردهای هوش مصنوعی

The Statistics and Calculus with Python Workshop: A comprehensive introduction to mathematics in Python for artificial intelligence applications

مشخصات کتاب

The Statistics and Calculus with Python Workshop: A comprehensive introduction to mathematics in Python for artificial intelligence applications

ویرایش:  
نویسندگان: , , , , ,   
سری:  
ISBN (شابک) : 1800209762, 9781800209763 
ناشر: Packt Publishing 
سال نشر: 2020 
تعداد صفحات: 739 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت 

قیمت کتاب (تومان) : 54,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب The Statistics and Calculus with Python Workshop: A comprehensive introduction to mathematics in Python for artificial intelligence applications 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 کارگاه آمار و حساب دیفرانسیل و انتگرال با پایتون: مقدمه ای جامع بر ریاضیات در پایتون برای کاربردهای هوش مصنوعی 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 کارگاه آمار و حساب دیفرانسیل و انتگرال با پایتون: مقدمه ای جامع بر ریاضیات در پایتون برای کاربردهای هوش مصنوعی



با مثال‌ها و فعالیت‌هایی که به شما کمک می‌کند به نتایج واقعی دست یابید، استفاده از روش‌های آماری و محاسباتی مرتبط با علم داده‌های پیشرفته هرگز به این آسانی نبوده است

ویژگی‌های کلیدی

< ul>
  • کشف نحوه استفاده اکثر برنامه نویسان از کتابخانه های اصلی پایتون هنگام انجام آمار با پایتون
  • استفاده از آمار توصیفی و تجسم برای پاسخ به سوالات تجاری و علمی
  • حل مسائل پیچیده حساب، مانند به عنوان طول قوس و جامدات چرخش با استفاده از مشتقات و انتگرال ها
  • توضیحات کتاب

    آیا به دنبال شروع توسعه برنامه های کاربردی هوش مصنوعی هستید؟ آیا به تجدید نظر در مفاهیم کلیدی ریاضی نیاز دارید؟ پر از تمرین های عملی جذاب، کارگاه آمار و حساب دیفرانسیل و انتگرال با پایتون به شما نشان می دهد که چگونه می توانید درک خود را از ریاضیات پیشرفته در زمینه پایتون به کار ببرید.

    این کتاب با ارائه یک نمای کلی در سطح بالا شروع می شود. کتابخانه‌هایی که هنگام انجام آمار با پایتون استفاده می‌کنید. همانطور که پیشرفت می کنید، کارهای ریاضی مختلفی را با استفاده از زبان برنامه نویسی پایتون انجام خواهید داد، مانند حل توابع جبری با پایتون که با توابع اصلی شروع می شود و سپس از طریق تبدیل ها و حل معادلات کار می کنید. فصول بعدی این کتاب به مفاهیم آمار و حساب دیفرانسیل و انتگرال و نحوه استفاده از آنها برای حل مسائل و به دست آوردن بینش مفید می پردازد. در نهایت، معادلات دیفرانسیل را با تأکید بر روش‌های عددی مطالعه خواهید کرد و با الگوریتم‌هایی آشنا خواهید شد که مستقیماً مقادیر توابع را محاسبه می‌کنند.

    در پایان این کتاب، نحوه اعمال آمار ضروری و مفاهیم حساب دیفرانسیل و انتگرال برای توسعه برنامه های کاربردی پایتون قوی که چالش های تجاری را حل می کند.

    آنچه یاد خواهید گرفت

    • با توابع ریاضی اساسی در پایتون آشنا شوید
    • انجام محاسبات بر روی مجموعه داده های جدولی با استفاده از پانداها
    • تفاوت بین چند جمله ای ها، توابع گویا، توابع نمایی و توابع مثلثاتی را درک کنید
    • استفاده از تکنیک های جبر برای حل سیستم های معادلات
    • حل مسائل دنیای واقعی با احتمال
    • حل مسائل بهینه سازی با مشتقات و انتگرال ها

    این کتاب برای چه کسی است

    اگر پایتون هستید برنامه نویسی که می خواهد راه حل های هوشمندی ایجاد کند که مشکلات چالش برانگیز تجاری را حل کند، پس این کتاب برای شما مناسب است. برای درک بهتر مفاهیم توضیح داده شده در این کتاب، باید درک کاملی از مفاهیم پیشرفته ریاضی مانند زنجیره های مارکوف، فرمول اویلر و روش های رانگ-کوتا داشته باشید زیرا این کتاب فقط نحوه پیاده سازی این تکنیک ها و مفاهیم را در پایتون توضیح می دهد.

    فهرست مطالب

    1. مبانی پایتون
    2. ابزارهای اصلی پایتون برای آمار
    3. جعبه ابزار آماری پایتون< li>توابع و جبر با پایتون
    4. ریاضیات بیشتر با پایتون
    5. ماتریس ها و زنجیره های مارکوف با پایتون
    6. انجام آمار پایه با پایتون
    7. مفاهیم احتمالات اساسی و کاربردهای آنها
    8. آمار متوسط ​​با پایتون
    9. حساب پایه با پایتون
    10. حساب حساب بیشتر با پایتون
    11. حساب حساب متوسط ​​با پایتون

    توضیحاتی درمورد کتاب به خارجی

    With examples and activities that help you achieve real results, applying calculus and statistical methods relevant to advanced data science has never been so easy

    Key Features

    • Discover how most programmers use the main Python libraries when performing statistics with Python
    • Use descriptive statistics and visualizations to answer business and scientific questions
    • Solve complicated calculus problems, such as arc length and solids of revolution using derivatives and integrals

    Book Description

    Are you looking to start developing artificial intelligence applications? Do you need a refresher on key mathematical concepts? Full of engaging practical exercises, The Statistics and Calculus with Python Workshop will show you how to apply your understanding of advanced mathematics in the context of Python.

    The book begins by giving you a high-level overview of the libraries you'll use while performing statistics with Python. As you progress, you'll perform various mathematical tasks using the Python programming language, such as solving algebraic functions with Python starting with basic functions, and then working through transformations and solving equations. Later chapters in the book will cover statistics and calculus concepts and how to use them to solve problems and gain useful insights. Finally, you'll study differential equations with an emphasis on numerical methods and learn about algorithms that directly calculate values of functions.

    By the end of this book, you'll have learned how to apply essential statistics and calculus concepts to develop robust Python applications that solve business challenges.

    What you will learn

    • Get to grips with the fundamental mathematical functions in Python
    • Perform calculations on tabular datasets using pandas
    • Understand the differences between polynomials, rational functions, exponential functions, and trigonometric functions
    • Use algebra techniques for solving systems of equations
    • Solve real-world problems with probability
    • Solve optimization problems with derivatives and integrals

    Who this book is for

    If you are a Python programmer who wants to develop intelligent solutions that solve challenging business problems, then this book is for you. To better grasp the concepts explained in this book, you must have a thorough understanding of advanced mathematical concepts, such as Markov chains, Euler's formula, and Runge-Kutta methods as the book only explains how these techniques and concepts can be implemented in Python.

    Table of Contents

    1. Fundamentals of Python
    2. Python's Main Tools for Statistics
    3. Python's Statistical Toolbox
    4. Functions and Algebra with Python
    5. More Mathematics with Python
    6. Matrices and Markov Chains with Python
    7. Doing Basic Statistics with Python
    8. Foundational Probability Concepts and Their Applications
    9. Intermediate Statistics with Python
    10. Foundational Calculus with Python
    11. More Calculus with Python
    12. Intermediate Calculus with Python


    فهرست مطالب

    Cover
    FM
    Copyright
    Table of Contents
    Preface
    Chapter 1: Fundamentals of Python
    	Introduction
    	Control Flow Methods
    		if Statements
    		Exercise 1.01: Divisibility with Conditionals
    		Loops
    			The while Loop
    			The for Loop
    		Exercise 1.02: Number Guessing Game
    	Data Structures
    		Strings
    		Lists
    		Exercise 1.03: Multi-Dimensional Lists
    		Tuples
    		Sets
    		Dictionaries
    		Exercise 1.04: Shopping Cart Calculations
    	Functions and Algorithms
    		Functions
    		Exercise 1.05: Finding the Maximum
    		Recursion
    		Exercise 1.06: The Tower of Hanoi
    		Algorithm Design
    		Exercise 1.07: The N-Queens Problem
    	Testing, Debugging, and Version Control
    		Testing
    		Debugging
    		Exercise 1.08: Testing for Concurrency
    		Version Control
    		Exercise 1.09: Version Control with Git and GitHub
    		Activity 1.01: Building a Sudoku Solver
    	Summary
    Chapter 2: Python's Main Tools for Statistics
    	Introduction
    	Scientific Computing and NumPy Basics
    		NumPy Arrays
    		Vectorization
    		Exercise 2.01: Timing Vectorized Operations in NumPy
    		Random Sampling
    	Working with Tabular Data in pandas
    		Initializing a DataFrame Object
    		Accessing Rows and Columns
    		Manipulating DataFrames
    		Exercise 2.02: Data Table Manipulation
    		Advanced Pandas Functionalities
    		Exercise 2.03: The Student Dataset
    	Data Visualization with Matplotlib and Seaborn
    		Scatter Plots
    		Line Graphs
    		Bar Graphs
    		Histograms
    		Heatmaps
    		Exercise 2.04: Visualization of Probability Distributions
    		Visualization Shorthand from Seaborn and Pandas
    		Activity 2.01: Analyzing the Communities and Crime Dataset
    	Summary
    Chapter 3: Python's Statistical Toolbox
    	Introduction
    	An Overview of Statistics
    	Types of Data in Statistics
    		Categorical Data
    		Exercise 3.01: Visualizing Weather Percentages
    		Numerical Data
    		Exercise 3.02: Min-Max Scaling
    		Ordinal Data
    	Descriptive Statistics
    		Central Tendency
    		Dispersion
    		Exercise 3.03: Visualizing Probability Density Functions
    		Python-Related Descriptive Statistics
    	Inferential Statistics
    		T-Tests
    		Correlation Matrix
    		Exercise 3.04: Identifying and Testing Equality of Means
    		Statistical and Machine Learning Models
    		Exercise 3.05: Model Selection
    	Python's Other Statistics Tools
    		Activity 3.01: Revisiting the Communities and Crimes Dataset
    	Summary
    Chapter 4: Functions and Algebra with Python
    	Introduction
    	Functions
    		Common Functions
    		Domain and Range
    		Function Roots and Equations
    		The Plot of a Function
    		Exercise 4.01: Function Identification from Plots
    	Function Transformations
    		Shifts
    		Scaling
    		Exercise 4.02: Function Transformation Identification
    	Equations
    		Algebraic Manipulations
    		Factoring
    		Using Python
    		Exercise 4.03: Introduction to Break-Even Analysis
    	Systems of Equations
    		Systems of Linear Equations
    		Exercise 4.04: Matrix Solution with NumPy
    		Systems of Non-Linear Equations
    		Activity 4.01: Multi-Variable Break-Even Analysis
    	Summary
    Chapter 5: More Mathematics with Python
    	Introduction
    	Sequences and Series
    		Arithmetic Sequences
    		Generators
    		Exercise 5.01: Determining the nth Term of an Arithmetic Sequence and Arithmetic Series
    		Geometric Sequences
    		Exercise 5.02: Writing a Function to Find the Next Term of the Sequence
    		Recursive Sequences
    		Exercise 5.03: Creating a Custom Recursive Sequence
    	Trigonometry
    		Basic Trigonometric Functions
    		Exercise 5.04: Plotting a Right-Angled Triangle
    		Inverse Trigonometric Functions
    		Exercise 5.05: Finding the Shortest Way to the Treasure Using Inverse Trigonometric Functions
    		Exercise 5.06: Finding the Optimal Distance from an Object
    	Vectors
    		Vector Operations
    		Exercise 5.07: Visualizing Vectors
    	Complex Numbers
    		Basic Definitions of Complex Numbers
    		Polar Representation and Euler's Formula
    		Exercise 5.08: Conditional Multiplication of Complex Numbers
    		Activity 5.01: Calculating Your Retirement Plan Using Series
    	Summary
    Chapter 6: Matrices and Markov Chains with Python
    	Introduction
    	Matrix Operations on a Single Matrix
    		Basic Operations on a Matrix
    		Inspecting a Matrix
    		Exercise 6.01: Calculating the Time Taken for Sunlight to Reach Earth Each Day
    		Operations and Multiplication in Matrices
    		Axes in a Matrix
    		Exercise 6.02: Matrix Search
    		Multiple Matrices
    			Broadcasting
    	Operations on Multiple Matrices
    		Identity Matrix
    		The eye Function
    		Inverse of a Matrix
    		Logical Operators
    		Outer Function or Vector Product
    	Solving Linear Equations Using Matrices
    		Exercise 6.03: Use of Matrices in Performing Linear Equations
    	Transition Matrix and Markov Chains
    		Fundamentals of Markov Chains
    			Stochastic versus Deterministic Models
    			Transition State Diagrams
    			Transition Matrices
    		Exercise 6.04: Finding the Probability of State Transitions
    			Markov Chains and Markov Property
    		Activity 6.01: Building a Text Predictor Using a Markov Chain
    	Summary
    Chapter 7: Doing Basic Statistics with Python
    	Introduction
    	Data Preparation
    		Introducing the Dataset
    		Introducing the Business Problem
    		Preparing the Dataset
    		Exercise 7.01: Using a String Column to Produce a Numerical Column
    	Calculating and Using Descriptive Statistics
    		The Need for Descriptive Statistics
    		A Brief Refresher of Statistical Concepts
    		Using Descriptive Statistics
    		Exercise 7.02: Calculating Descriptive Statistics
    	Exploratory Data Analysis
    		What Is EDA?
    		Univariate EDA
    		Bi-variate EDA: Exploring Relationships Between Variables
    		Exercise 7.03: Practicing EDA
    		Activity 7.01: Finding Out Highly Rated Strategy Games
    	Summary
    Chapter 8: Foundational Probability Concepts and Their Applications
    	Introduction
    	Randomness, Probability, and Random Variables
    		Randomness and Probability
    		Foundational Probability Concepts
    		Introduction to Simulations with NumPy
    		Exercise 8.01: Sampling with and without Replacement
    		Probability as a Relative Frequency
    		Defining Random Variables
    		Exercise 8.02: Calculating the Average Wins in Roulette
    	Discrete Random Variables
    		Defining Discrete Random Variables
    		The Binomial Distribution
    		Exercise 8.03: Checking If a Random Variable Follows a Binomial Distribution
    	Continuous Random Variables
    		Defining Continuous Random Variables
    		The Normal Distribution
    		Some Properties of the Normal Distribution
    		Exercise 8.04: Using the Normal Distribution in Education
    		Activity 8.01: Using the Normal Distribution in Finance
    	Summary
    Chapter 9: Intermediate Statistics with Python
    	Introduction
    	Law of Large Numbers
    		Python and Random Numbers
    		Exercise 9.01: The Law of Large Numbers in Action
    		Exercise 9.02: Coin Flipping Average over Time
    		A Practical Application of the Law of Large Numbers Seen in the Real World
    		Exercise 9.03: Calculating the Average Winnings for a Game of Roulette If We Constantly Bet on Red
    	Central Limit Theorem
    		Normal Distribution and the CLT
    		Random Sampling from a Uniform Distribution
    		Exercise 9.04: Showing the Sample Mean for a Uniform Distribution
    		Random Sampling from an Exponential Distribution
    		Exercise 9.05: Taking a Sample from an Exponential Distribution
    	Confidence Intervals
    		Calculating the Confidence Interval of a Sample Mean
    		Exercise 9.06: Finding the Confidence Interval of Polling Figures
    		Small Sample Confidence Interval
    		Confidence Interval for a Proportion
    	Hypothesis Testing
    		Parts of a Hypothesis Test
    		The Z-Test
    		Exercise 9.07: The Z-Test in Action
    		Proportional Z-Test
    		The T-Test
    		Exercise 9.08: The T-Test
    		2-Sample T-Test or A/B Testing
    		Exercise 9.09: A/B Testing Example
    		Introduction to Linear Regression
    		Exercise 9.10: Linear Regression
    		Activity 9.01: Standardized Test Performance
    	Summary
    Chapter 10: Foundational Calculus with Python
    	Introduction
    	Writing the Derivative Function
    		Exercise 10.01: Finding the Derivatives of Other Functions
    		Finding the Equation of the Tangent Line
    	Calculating Integrals
    	Using Trapezoids
    		Exercise 10.02: Finding the Area Under a Curve
    	Using Integrals to Solve Applied Problems
    		Exercise 10.03: Finding the Volume of a Solid of Revolution
    	Using Derivatives to Solve Optimization Problems
    		Exercise 10.04: Find the Quickest Route
    		Exercise 10.05: The Box Problem
    		Exercise 10.06: The Optimal Can
    		Exercise 10.07:  Calculating the Distance between Two Moving Ships
    		Activity 10.01: Maximum Circle-to-Cone Volume
    	Summary
    Chapter 11: More Calculus with Python
    	Introduction
    	Length of a Curve
    		Exercise 11.01: Finding the Length of a Curve
    		Exercise 11.02: Finding the Length of a Sine Wave
    	Length of a Spiral
    		Exercise 11.03: Finding the Length of the Polar Spiral Curve
    		Exercise 11.04: Finding the Length of Insulation in a Roll
    		Exercise 11.05: Finding the Length of an Archimedean Spiral
    	Area of a Surface
    		The Formulas
    		Exercise 11.06: Finding the Area of a 3D Surface – Part 1
    		Exercise 11.07: Finding the Area of a 3D Surface – Part 2
    		Exercise 11.08: Finding the Area of a Surface – Part 3
    	Infinite Series
    		Polynomial Functions
    		Series
    		Convergence
    		Exercise 11.09: Calculating 10 Correct Digits of π
    		Exercise 11.10: Calculating the Value of π Using Euler's Expression
    		A 20th Century Formula
    		Interval of Convergence
    		Exercise 11.11: Determining the Interval of Convergence – Part 1
    		Exercise 11.12: Determining the Interval of Convergence – Part 2
    		Exercise 11.13: Finding the Constant
    		Activity 11.01: Finding the Minimum of a Surface
    	Summary
    Chapter 12: Intermediate Calculus with Python
    	Introduction
    	Differential Equations
    	Interest Calculations
    		Exercise 12.01: Calculating Interest
    		Exercise 12.02: Calculating Compound Interest – Part 1
    		Exercise 12.03: Calculating Compound Interest – Part 2
    		Exercise 12.04: Calculating Compound Interest – Part 3
    		Exercise 12.05: Becoming a Millionaire
    	Population Growth
    		Exercise 12.06: Calculating the Population Growth Rate – Part 1
    		Exercise 12.07: Calculating the Population Growth Rate – Part 2
    	Half-Life of Radioactive Materials
    		Exercise 12.08: Measuring Radioactive Decay
    		Exercise 12.09: Measuring the Age of a Historical Artifact
    	Newton's Law of Cooling
    		Exercise 12.10: Calculating the Time of Death
    		Exercise 12.11: Calculating the Rate of Change in Temperature
    	Mixture Problems
    		Exercise 12.12: Solving Mixture Problems – Part 1
    		Exercise 12.13: Solving Mixture Problems – Part 2
    		Exercise 12.14: Solving Mixture Problems – Part 3
    		Exercise 12.15: Solving Mixture Problems – Part 4
    	Euler's Method
    		Exercise 12.16: Solving Differential Equations with Euler's Method
    		Exercise 12.17: Using Euler's Method to Evaluate a Function
    		Runge-Kutta Method
    		Exercise 12.18: Implementing the Runge-Kutta Method
    		Pursuit Curves
    		Exercise 12.19: Finding Where the Predator Catches the Prey
    		Exercise 12.20: Using Turtles to Visualize Pursuit Curves
    		Position, Velocity, and Acceleration
    		Exercise 12.21: Calculating the Height of a Projectile above the Ground
    		An Example of Calculating the Height of a Projectile with Air Resistance
    		Exercise 12.22: Calculating the Terminal Velocity
    		Activity 12.01: Finding the Velocity and Location of a Particle
    	Summary
    Appendix
    Index




    نظرات کاربران