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

Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przer&oacute,żnych cel&oacute,w. R&oacute,wnocześnie wiele os&oacute,b pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błęd&oacute,w już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niekt&oacute,rych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty.

To książka przeznaczona dla os&oacute,b, kt&oacute,re chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niekt&oacute,rych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek r&oacute,żniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki spos&oacute,b posługiwać się nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczeg&oacute,lne tematy zostały om&oacute,wione 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 błęd&oacute,w 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 błęd&oacute,w w stosowaniu matematyki w data science

Zrozum matematykę i efektywnie używaj danych!