內容簡介
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
「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
作者介紹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。譯者介紹
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。譯者介紹
目錄
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
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