نرم افزار: سیستم ها: محاسبات علمی

پایتون برای احتمالات، آمار و یادگیری ماشین

Python for Probability, Statistics, and Machine Learning

دانلود کتاب Python for Probability, Statistics, and Machine Learning (به فارسی: پایتون برای احتمالات، آمار و یادگیری ماشین) نوشته شده توسط «José Unpingco»

اطلاعات کتاب پایتون برای احتمالات، آمار و یادگیری ماشین

موضوع اصلی: ریاضیات

نوع: کتاب الکترونیکی

ناشر: Springer

نویسنده: José Unpingco

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2019

تعداد صفحه: 395

حجم فایل: 11.11 مگابایت

کد کتاب: 3030185443 , 9783030185442

نوبت چاپ: 2

توضیحات کتاب پایتون برای احتمالات، آمار و یادگیری ماشین

این کتاب درسی که به طور کامل به‌روزرسانی شده و دارای نسخه 3.7 پایتون است، ایده‌های کلیدی را پوشش می‌دهد که احتمال، آمار و یادگیری ماشین را با استفاده از ماژول‌های پایتون به تصویر می‌کشد. کل متن، از جمله تمام شکل‌ها و نتایج عددی، با استفاده از کدهای پایتون و نوت‌بوک‌های Jupyter/IPython مرتبط با آن‌ها، که به‌عنوان دانلودهای تکمیلی ارائه شده‌اند، قابل تکرار است. نویسنده شهودهای کلیدی در یادگیری ماشین را با کارکردن مثال‌های معنی‌دار با استفاده از روش‌های تحلیلی متعدد و کدهای پایتون توسعه می‌دهد و در نتیجه مفاهیم نظری را به پیاده‌سازی‌های عینی متصل می‌کند. به روز رسانی شامل پوشش کامل تجسم علمی مبتنی بر وب با Bokeh Jupyter Hub است. فیشر دقیق، D کوهن و آزمون های رتبه-جمع. رگرسیون محلی، اسپلاین، و روش های افزودنی. و تجزیه و تحلیل بقا، درختان گرادیان تصادفی، و شبکه های عصبی و یادگیری عمیق. ماژول‌های پایتون مدرن مانند Pandas، Sympy و Scikit-learn برای شبیه‌سازی و تجسم مفاهیم مهم یادگیری ماشین 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 کلاس‌های احتمال، آمار یا یادگیری ماشین مناسب است و فقط به دانش ابتدایی برنامه‌نویسی پایتون نیاز دارد.

This textbook, fully updated to feature Python version 3.7, covers the key ideas that link probability, statistics, and machine learning illustrated using Python modules. 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. The update features full coverage of Web-based scientific visualization with Bokeh Jupyter Hub; Fisher Exact, Cohen’s D and Rank-Sum Tests; Local Regression, Spline, and Additive Methods; and Survival Analysis, Stochastic Gradient Trees, and Neural Networks and Deep Learning. 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 classes in probability, statistics, or machine learning and requires only rudimentary knowledge of Python programming.

دانلود کتاب «پایتون برای احتمالات، آمار و یادگیری ماشین»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان