دانلود کتاب Python For Probability, Statistics, And Machine Learning, 2nd ed, 2019

مارس 28, 2021

نام کتاب: Python For Probability, Statistics, And Machine Learning

نویسنده: José Unpingco

ویرایش: ۲

سال انتشار: ۲۰۱۹

کد ISBN کتاب: ۳۰۳۰۱۸۵۴۴۳, ۹۷۸۳۰۳۰۱۸۵۴۴۲,

فرمت: PDF

تعداد صفحه: ۳۹۵

حجم کتاب: ۱۱ مگابایت

کیفیت کتاب: OCR

انتشارات: Springer

Description About Book Python For Probability, Statistics, And Machine Learning From Amazon

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.

درباره کتاب Python For Probability, Statistics, And Machine Learning ترجمه شده از گوگل

این کتاب درسی ، که به طور کامل برای نسخه پایتون نسخه ۳٫۷ به روز شده است ، شامل ایده های کلیدی است که احتمال ، آمار و یادگیری ماشین را با استفاده از ماژول های پایتون بهم پیوند می دهد. کل متن ، از جمله تمام ارقام و نتایج عددی ، با استفاده از کدهای Python و نوت بوک های Jupyter / IPython مرتبط با آنها ، که به عنوان بارگیری های تکمیلی ارائه می شوند ، قابل تکرار است. نویسندهبا استفاده از مثالهای معنی دار با استفاده از چندین روش تحلیلی و کدهای پایتون ، شهود کلیدی را در یادگیری ماشین توسعه می دهد ، در نتیجه مفاهیم نظری را به پیاده سازی های ملموس متصل می کند. این به روز رسانی شامل پوشش کامل تجسم علمی مبتنی بر وب با Bokeh Jupyter Hub است. آزمونهای Fisher Exact ، Cohen’s D و Rank-Sum ؛ رگرسیون محلی ، Spline و روشهای افزودنی ؛ و تجزیه و تحلیل بقا ، درختان شیب تصادفی ، و شبکه های عصبی و یادگیری عمیق. ماژول های مدرن پایتون مانند Pandas ، Sympy و Scikit-learn برای شبیه سازی و تجسم مفاهیم مهم یادگیری ماشین مانند معامله بایاس / واریانس ، اعتبارسنجی متقابل و منظم سازی استفاده می شوند. بسیاری از ایده های ریاضی انتزاعی ، مانند همگرایی در نظریه احتمال ، با مثالهای عددی توسعه یافته و نشان داده شده اند. این کتاب برای کلاس های احتمال ، آمار یا یادگیری ماشین مناسب است و فقط به دانش ابتدایی برنامه نویسی پایتون نیاز دارد.