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 przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie p...
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Weitere beteiligte Personen: | |
| Format: | Elektronisch E-Book |
| Sprache: | Polnisch |
| Veröffentlicht: |
Gliwice
Helion
[2023]
|
| Ausgabe: | [First edition]. |
| Schlagwörter: | |
| Links: | https://learning.oreilly.com/library/view/-/9788383220147/?ar |
| Zusammenfassung: | Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niektórych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty. To książka przeznaczona dla osób, które chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niektórych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek różniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki sposób posługiwać się̜ nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczególne tematy zostały omówione 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 błędów projektowych i trafniej wybierać optymalne rozwiązania! |
| Umfang: | 1 Online-Ressource (288 Seiten) illustrations |
| ISBN: | 9788383220147 8383220146 |
Internformat
MARC
| LEADER | 00000cam a22000002 4500 | ||
|---|---|---|---|
| 001 | ZDB-30-ORH-093387997 | ||
| 003 | DE-627-1 | ||
| 005 | 20240228122015.0 | ||
| 007 | cr uuu---uuuuu | ||
| 008 | 230626s2023 xx |||||o 00| ||pol c | ||
| 020 | |a 9788383220147 |c electronic bk. |9 978-83-8322-014-7 | ||
| 020 | |a 8383220146 |c electronic bk. |9 83-8322-014-6 | ||
| 035 | |a (DE-627-1)093387997 | ||
| 035 | |a (DE-599)KEP093387997 | ||
| 035 | |a (ORHE)9788383220147 | ||
| 035 | |a (DE-627-1)093387997 | ||
| 040 | |a DE-627 |b ger |c DE-627 |e rda | ||
| 041 | |a pol | ||
| 082 | 0 | |a 006.3/12 |2 23/eng/20230614 | |
| 100 | 1 | |a Nield, Thomas |e VerfasserIn |4 aut | |
| 240 | 1 | 0 | |a Essential math for data science |
| 245 | 1 | 0 | |a Podstawy matematyki w data science |b algebra liniowa, rachunek prawdopodobieństwa i statystyka |c Thomas Nield ; przekład, Grzegorz Werner |
| 250 | |a [First edition]. | ||
| 264 | 1 | |a Gliwice |b Helion |c [2023] | |
| 300 | |a 1 Online-Ressource (288 Seiten) |b illustrations | ||
| 336 | |a Text |b txt |2 rdacontent | ||
| 337 | |a Computermedien |b c |2 rdamedia | ||
| 338 | |a Online-Ressource |b cr |2 rdacarrier | ||
| 520 | |a Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niektórych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty. To książka przeznaczona dla osób, które chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niektórych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek różniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki sposób posługiwać się̜ nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczególne tematy zostały omówione 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 błędów projektowych i trafniej wybierać optymalne rozwiązania! | ||
| 650 | 0 | |a Data mining |x Mathematics | |
| 650 | 0 | |a Mathematics | |
| 650 | 0 | |a Machine learning |x Mathematics | |
| 650 | 4 | |a Exploration de données (Informatique) ; Mathématiques | |
| 650 | 4 | |a Mathématiques | |
| 650 | 4 | |a Apprentissage automatique ; Mathématiques | |
| 650 | 4 | |a Data mining ; Mathematics | |
| 650 | 4 | |a Mathematics | |
| 700 | 1 | |a Werner, Grzegorz |e ÜbersetzerIn |4 trl | |
| 966 | 4 | 0 | |l DE-91 |p ZDB-30-ORH |q TUM_PDA_ORH |u https://learning.oreilly.com/library/view/-/9788383220147/?ar |m X:ORHE |x Aggregator |z lizenzpflichtig |3 Volltext |
| 912 | |a ZDB-30-ORH | ||
| 951 | |a BO | ||
| 912 | |a ZDB-30-ORH | ||
| 049 | |a DE-91 | ||
Datensatz im Suchindex
| DE-BY-TUM_katkey | ZDB-30-ORH-093387997 |
|---|---|
| _version_ | 1821494940897640448 |
| adam_text | |
| any_adam_object | |
| author | Nield, Thomas |
| author2 | Werner, Grzegorz |
| author2_role | trl |
| author2_variant | g w gw |
| author_facet | Nield, Thomas Werner, Grzegorz |
| author_role | aut |
| author_sort | Nield, Thomas |
| author_variant | t n tn |
| building | Verbundindex |
| bvnumber | localTUM |
| collection | ZDB-30-ORH |
| ctrlnum | (DE-627-1)093387997 (DE-599)KEP093387997 (ORHE)9788383220147 |
| dewey-full | 006.3/12 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods |
| dewey-raw | 006.3/12 |
| dewey-search | 006.3/12 |
| dewey-sort | 16.3 212 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | [First edition]. |
| format | Electronic eBook |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03010cam a22004572 4500</leader><controlfield tag="001">ZDB-30-ORH-093387997</controlfield><controlfield tag="003">DE-627-1</controlfield><controlfield tag="005">20240228122015.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">230626s2023 xx |||||o 00| ||pol c</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9788383220147</subfield><subfield code="c">electronic bk.</subfield><subfield code="9">978-83-8322-014-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">8383220146</subfield><subfield code="c">electronic bk.</subfield><subfield code="9">83-8322-014-6</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)093387997</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)KEP093387997</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(ORHE)9788383220147</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)093387997</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">pol</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3/12</subfield><subfield code="2">23/eng/20230614</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Nield, Thomas</subfield><subfield code="e">VerfasserIn</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Essential math for data science</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Podstawy matematyki w data science</subfield><subfield code="b">algebra liniowa, rachunek prawdopodobieństwa i statystyka</subfield><subfield code="c">Thomas Nield ; przekład, Grzegorz Werner</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">[First edition].</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Gliwice</subfield><subfield code="b">Helion</subfield><subfield code="c">[2023]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Online-Ressource (288 Seiten)</subfield><subfield code="b">illustrations</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niektórych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty. To książka przeznaczona dla osób, które chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niektórych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek różniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki sposób posługiwać się̜ nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczególne tematy zostały omówione 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 błędów projektowych i trafniej wybierać optymalne rozwiązania!</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Data mining</subfield><subfield code="x">Mathematics</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Mathematics</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Machine learning</subfield><subfield code="x">Mathematics</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Exploration de données (Informatique) ; Mathématiques</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Mathématiques</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Apprentissage automatique ; Mathématiques</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Data mining ; Mathematics</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Mathematics</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Werner, Grzegorz</subfield><subfield code="e">ÜbersetzerIn</subfield><subfield code="4">trl</subfield></datafield><datafield tag="966" ind1="4" ind2="0"><subfield code="l">DE-91</subfield><subfield code="p">ZDB-30-ORH</subfield><subfield code="q">TUM_PDA_ORH</subfield><subfield code="u">https://learning.oreilly.com/library/view/-/9788383220147/?ar</subfield><subfield code="m">X:ORHE</subfield><subfield code="x">Aggregator</subfield><subfield code="z">lizenzpflichtig</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">BO</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-91</subfield></datafield></record></collection> |
| id | ZDB-30-ORH-093387997 |
| illustrated | Illustrated |
| indexdate | 2025-01-17T11:22:22Z |
| institution | BVB |
| isbn | 9788383220147 8383220146 |
| language | Polish |
| open_access_boolean | |
| owner | DE-91 DE-BY-TUM |
| owner_facet | DE-91 DE-BY-TUM |
| physical | 1 Online-Ressource (288 Seiten) illustrations |
| psigel | ZDB-30-ORH TUM_PDA_ORH ZDB-30-ORH |
| publishDate | 2023 |
| publishDateSearch | 2023 |
| publishDateSort | 2023 |
| publisher | Helion |
| record_format | marc |
| spelling | Nield, Thomas VerfasserIn aut Essential math for data science Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka Thomas Nield ; przekład, Grzegorz Werner [First edition]. Gliwice Helion [2023] 1 Online-Ressource (288 Seiten) illustrations Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Rosnąca dostępność danych sprawiła, że data science i uczenie maszynowe są powszechnie używane do przeróżnych celów. Równocześnie wiele osób pomija analizy matematyczne przed rozpoczęciem przetwarzania danych. A to wiąże się z ryzykiem popełnienia istotnych błędów już na etapie projektowania danego systemu. Dopiero dogłębne zrozumienie niektórych koncepcji matematycznych i umiejętność ich praktycznego zastosowania sprawia, że kandydat na analityka danych ma szansę osiągnąć poziom profesjonalisty. To książka przeznaczona dla osób, które chcą dobrze zrozumieć matematyczne podstawy nauki o danych i nauczyć się stosowania niektórych koncepcji w praktyce. Wyjaśniono tu takie zagadnienia jak rachunek różniczkowy i całkowy, rachunek prawdopodobieństwa, algebra liniowa i statystyka, pokazano także, w jaki sposób posługiwać się̜ nimi w regresji liniowej, regresji logistycznej i w tworzeniu sieci neuronowych. Poszczególne tematy zostały omówione 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 błędów projektowych i trafniej wybierać optymalne rozwiązania! Data mining Mathematics Mathematics Machine learning Mathematics Exploration de données (Informatique) ; Mathématiques Mathématiques Apprentissage automatique ; Mathématiques Data mining ; Mathematics Werner, Grzegorz ÜbersetzerIn trl |
| spellingShingle | Nield, Thomas Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka Data mining Mathematics Mathematics Machine learning Mathematics Exploration de données (Informatique) ; Mathématiques Mathématiques Apprentissage automatique ; Mathématiques Data mining ; Mathematics |
| title | Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka |
| title_alt | Essential math for data science |
| title_auth | Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka |
| title_exact_search | Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka |
| title_full | Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka Thomas Nield ; przekład, Grzegorz Werner |
| title_fullStr | Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka Thomas Nield ; przekład, Grzegorz Werner |
| title_full_unstemmed | Podstawy matematyki w data science algebra liniowa, rachunek prawdopodobieństwa i statystyka Thomas Nield ; przekład, Grzegorz Werner |
| title_short | Podstawy matematyki w data science |
| title_sort | podstawy matematyki w data science algebra liniowa rachunek prawdopodobienstwa i statystyka |
| title_sub | algebra liniowa, rachunek prawdopodobieństwa i statystyka |
| topic | Data mining Mathematics Mathematics Machine learning Mathematics Exploration de données (Informatique) ; Mathématiques Mathématiques Apprentissage automatique ; Mathématiques Data mining ; Mathematics |
| topic_facet | Data mining Mathematics Mathematics Machine learning Mathematics Exploration de données (Informatique) ; Mathématiques Mathématiques Apprentissage automatique ; Mathématiques Data mining ; Mathematics |
| work_keys_str_mv | AT nieldthomas essentialmathfordatascience AT wernergrzegorz essentialmathfordatascience AT nieldthomas podstawymatematykiwdatasciencealgebraliniowarachunekprawdopodobienstwaistatystyka AT wernergrzegorz podstawymatematykiwdatasciencealgebraliniowarachunekprawdopodobienstwaistatystyka |