Marcin Mazureknarzędzia online · artykuły · księgarniaRSS
Okładka: Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystykaTylna okładka: Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka

Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka

Autor: Thomas Nield

Tłumacz: Grzegorz Werner

chwilowo niedostępna w druku

Ebookpoint

41,40 zł 69,00 zł -40%

Kup w księgarni Ebookpoint

Gdzie kupić

SklepWydanieCena
Ebookpoint.plksiążka41,40 złKup
TaniaKsiazka.plksiążka56,81 złKup

Ceny z feedów partnerów, odświeżane codziennie. Linki są partnerskie — przy zakupie dostaję prowizję, cena dla Ciebie się nie zmienia.

Czytaj fragmentPobierz PDF

Kategorie
Matematyka
Wydawca
Helion
Rodzaj
książka
Format
165x235
Oprawa
miękka
Stron
288
Data wydania
2023-02-14
ISBN
978-83-8322-013-0
Tytuł oryginału
Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics
Seria
Oddychając z trudem

Fragment książki — 30 stron

Kliknij stronę, żeby powiększyć. Całość możesz przeczytać online albo pobrać jako PDF. Fragment udostępniony przez wydawcę.

  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 1 z 301
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 2 z 302
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 3 z 303
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 4 z 304
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 5 z 305
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 6 z 306
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 7 z 307
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 8 z 308
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 9 z 309
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 10 z 3010
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 11 z 3011
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 12 z 3012
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 13 z 3013
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 14 z 3014
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 15 z 3015
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 16 z 3016
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 17 z 3017
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 18 z 3018
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 19 z 3019
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 20 z 3020
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 21 z 3021
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 22 z 3022
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 23 z 3023
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 24 z 3024
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 25 z 3025
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 26 z 3026
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 27 z 3027
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 28 z 3028
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 29 z 3029
  • Fragment „Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobieństwa i statystyka” — strona 30 z 3030

Opis

Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niektórych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty.

To książka przeznaczona dla osób, które chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niektórych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek różniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki sposób posługiwać się nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczególne tematy zostały omówione zrozumiale, przystępnie, bez naukowego żargonu, za to z licznymi praktycznymi przykładami, co dodatkowo ułatwia przyswojenie koncepcji i prawideł matematyki. Opanowanie zawartej tu wiedzy pozwala uniknąć wielu kosztownych błędów projektowych i trafniej wybierać optymalne rozwiązania!

Dzięki książce nauczysz się:

  • używać kodu Pythona i jego bibliotek do eksplorowania koncepcji matematycznych
  • posługiwać się regresją liniową i regresją logistyczną
  • opisywać dane metodami statystycznymi i testować hipotezy
  • manipulować wektorami i macierzami
  • łączyć wiedzę matematyczną z użyciem modeli regresji
  • unikać typowych błędów w stosowaniu matematyki w data science

Zrozum matematykę i efektywnie używaj danych!

Linki do księgarni są linkami partnerskimi Grupy Helion i Księgarni PWN (przez sieć Adtraction). Ceny i dostępność pochodzą z oferty wydawcy i mogą się zmienić.