資料科學基礎數學 (Essential Math for Data Science)

Thomas Nield 著 楊新章 譯

  • 資料科學基礎數學 (Essential Math for Data Science)-preview-1
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-2
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-3
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-4
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-5
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-6
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-7
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-8
  • 資料科學基礎數學 (Essential Math for Data Science)-preview-9
資料科學基礎數學 (Essential Math for Data Science)-preview-1

買這商品的人也買了...

相關主題

商品描述

使用基本的線性代數、機率和統計來掌控您的資料

「在當前資料科學教育環境的嘈雜聲中,這本書脫穎而出,包含許多清晰、實用的範例,說明理解和建構資料所需的基礎知識。」
—Vicki Boykis
Tumblr高級機器學習工程師

讓您掌握在資料科學、機器學習和統計學等方面所需具備的數學知識。作者Thomas Nield將引導您了解微積分、機率、線性代數和統計等領域,以及它們是如何應用在線性迴歸、邏輯迴歸和神經網路等技術。

在此過程中,您還將獲得對資料科學的實用見解,以及如何利用這些見解幫助提升您的職業生涯。

您將了解如何:
‧使用Python程式碼和SymPy、NumPy和scikit-learn等程式庫來探索基本的數學概念,例如微積分、線性代數、統計和機器學習
‧用簡單的語言並使用最少的數學符號和行話來理解線性迴歸、邏輯迴歸和神經網路等技術
‧對資料集執行描述性統計和假說檢定,以解釋p值和統計顯著性
‧操作向量和矩陣並執行矩陣分解
‧對微積分、機率、統計和線性代數的知識進行整合和建構,並應用於包括神經網路在內的迴歸模型
‧在資料科學職業生涯中進行實際導航,避免常見的陷阱、假設和偏見,同時調整您的技能以在就業市場中脫穎而出

作者簡介

Thomas Nield 是Nield Consulting Group的創辦人,同時也是O'Reilly Media和南加州大學的講師。他喜歡讓技術性內容和那些不熟悉或被它嚇倒的人建立起關連。Thomas定期教授資料分析、機器學習、數學最佳化、人工智慧系統安全和實用人工智慧等課程。他是《Getting Started with SQL》(O'Reilly)和《Learning RxJava》(Packt)作者。

目錄大綱

第1章 基本數學和微積分複習
第2章 機率
第3章 描述性和推論性統計
第4章 線性代數
第5章 線性迴歸
第6章 邏輯迴歸和分類
第7章 神經網路
第8章 職涯建議和前進的道路
附錄A 補充主題
附錄B 習題解答