Mathe-Basics für Data Scientists: lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse
Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen. Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimal...
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Weitere beteiligte Personen: | |
| Format: | Elektronisch E-Book |
| Sprache: | Deutsch |
| Veröffentlicht: |
Heidelberg
dpunkt
2024
|
| Ausgabe: | 1. Auflage |
| Schlagwörter: | |
| Links: | https://learning.oreilly.com/library/view/-/9781098168865/?ar |
| Zusammenfassung: | Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen. Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimalrechnung, Wahrscheinlichkeit, lineare Algebra, Statistik und Hypothesentests und zeigt Ihnen, wie diese Mathe-Basics beispielsweise in der linearen und logistischen Regression und in neuronalen Netzen eingesetzt werden. Zusätzlich erhalten Sie Einblicke in den aktuellen Stand der Data Science und erfahren, wie Sie dieses Wissen für Ihre Karriere als Data Scientist nutzen.- Verwenden Sie Python-Code und Bibliotheken wie SymPy, NumPy und scikit-learn, um grundlegende mathematische Konzepte wie Infinitesimalrechnung, lineare Algebra, Statistik und maschinelles Lernen zu erkunden- Verstehen Sie Techniken wie lineare und logistische Regression und neuronale Netze durch gut nachvollziehbare Erklärungen und ein Minimum an mathematischer Terminologie- Wenden Sie deskriptive Statistik und Hypothesentests auf einen Datensatz an, um p-Werte und statistische Signifikanz zu interpretieren- Manipulieren Sie Vektoren und Matrizen und führen Sie Matrixzerlegung durch- Vertiefen Sie Ihre Kenntnisse in Infinitesimal- und Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra und wenden Sie sie auf Regressionsmodelle einschließlich neuronaler Netze an- Erfahren Sie, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse optimieren und gängige Fehler vermeiden, um auf dem Data-Science-Arbeitsmarkt zu überzeugen |
| Beschreibung: | Includes bibliographical references and index |
| Umfang: | 1 Online-Ressource (336 Seiten) illustrations |
| ISBN: | 3960107641 9783960107644 |
Internformat
MARC
| LEADER | 00000cam a22000002 4500 | ||
|---|---|---|---|
| 001 | ZDB-30-ORH-100066704 | ||
| 003 | DE-627-1 | ||
| 005 | 20240228122114.0 | ||
| 007 | cr uuu---uuuuu | ||
| 008 | 240104s2024 xx |||||o 00| ||ger c | ||
| 020 | |a 3960107641 |9 3-96010-764-1 | ||
| 020 | |a 9783960107644 |c electronic bk. |9 978-3-96010-764-4 | ||
| 035 | |a (DE-627-1)100066704 | ||
| 035 | |a (DE-599)KEP100066704 | ||
| 035 | |a (ORHE)9781098168865 | ||
| 035 | |a (DE-627-1)100066704 | ||
| 040 | |a DE-627 |b ger |c DE-627 |e rda | ||
| 041 | |a ger | ||
| 082 | 0 | |a 006.3/1 |2 23/eng/20231205 | |
| 100 | 1 | |a Nield, Thomas |e VerfasserIn |4 aut | |
| 240 | 1 | 0 | |a Essential math for data science |
| 245 | 1 | 0 | |a Mathe-Basics für Data Scientists |b lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse |c Thomas Nield ; Deutsche Übersetzung von Frank Langenau |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Heidelberg |b dpunkt |c 2024 | |
| 300 | |a 1 Online-Ressource (336 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 | ||
| 500 | |a Includes bibliographical references and index | ||
| 520 | |a Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen. Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimalrechnung, Wahrscheinlichkeit, lineare Algebra, Statistik und Hypothesentests und zeigt Ihnen, wie diese Mathe-Basics beispielsweise in der linearen und logistischen Regression und in neuronalen Netzen eingesetzt werden. Zusätzlich erhalten Sie Einblicke in den aktuellen Stand der Data Science und erfahren, wie Sie dieses Wissen für Ihre Karriere als Data Scientist nutzen.- Verwenden Sie Python-Code und Bibliotheken wie SymPy, NumPy und scikit-learn, um grundlegende mathematische Konzepte wie Infinitesimalrechnung, lineare Algebra, Statistik und maschinelles Lernen zu erkunden- Verstehen Sie Techniken wie lineare und logistische Regression und neuronale Netze durch gut nachvollziehbare Erklärungen und ein Minimum an mathematischer Terminologie- Wenden Sie deskriptive Statistik und Hypothesentests auf einen Datensatz an, um p-Werte und statistische Signifikanz zu interpretieren- Manipulieren Sie Vektoren und Matrizen und führen Sie Matrixzerlegung durch- Vertiefen Sie Ihre Kenntnisse in Infinitesimal- und Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra und wenden Sie sie auf Regressionsmodelle einschließlich neuronaler Netze an- Erfahren Sie, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse optimieren und gängige Fehler vermeiden, um auf dem Data-Science-Arbeitsmarkt zu überzeugen | ||
| 650 | 0 | |a Machine learning |x Mathematics | |
| 650 | 0 | |a Data mining |x Mathematics | |
| 650 | 0 | |a Mathematical statistics | |
| 650 | 0 | |a Probabilities | |
| 650 | 0 | |a Computer science |x Mathematics | |
| 700 | 1 | |a Langenau, Frank |e ÜbersetzerIn |4 trl | |
| 776 | 1 | |z 9783960092155 | |
| 776 | 0 | 8 | |i Erscheint auch als |n Druck-Ausgabe |z 9783960092155 |
| 966 | 4 | 0 | |l DE-91 |p ZDB-30-ORH |q TUM_PDA_ORH |u https://learning.oreilly.com/library/view/-/9781098168865/?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-100066704 |
|---|---|
| _version_ | 1821494935920050176 |
| adam_text | |
| any_adam_object | |
| author | Nield, Thomas |
| author2 | Langenau, Frank |
| author2_role | trl |
| author2_variant | f l fl |
| author_facet | Nield, Thomas Langenau, Frank |
| author_role | aut |
| author_sort | Nield, Thomas |
| author_variant | t n tn |
| building | Verbundindex |
| bvnumber | localTUM |
| collection | ZDB-30-ORH |
| ctrlnum | (DE-627-1)100066704 (DE-599)KEP100066704 (ORHE)9781098168865 |
| dewey-full | 006.3/1 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods |
| dewey-raw | 006.3/1 |
| dewey-search | 006.3/1 |
| dewey-sort | 16.3 11 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | 1. Auflage |
| format | Electronic eBook |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03328cam a22004572 4500</leader><controlfield tag="001">ZDB-30-ORH-100066704</controlfield><controlfield tag="003">DE-627-1</controlfield><controlfield tag="005">20240228122114.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240104s2024 xx |||||o 00| ||ger c</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960107641</subfield><subfield code="9">3-96010-764-1</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960107644</subfield><subfield code="c">electronic bk.</subfield><subfield code="9">978-3-96010-764-4</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)100066704</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)KEP100066704</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(ORHE)9781098168865</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)100066704</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">ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3/1</subfield><subfield code="2">23/eng/20231205</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">Mathe-Basics für Data Scientists</subfield><subfield code="b">lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse</subfield><subfield code="c">Thomas Nield ; Deutsche Übersetzung von Frank Langenau</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt</subfield><subfield code="c">2024</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Online-Ressource (336 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="500" ind1=" " ind2=" "><subfield code="a">Includes bibliographical references and index</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen. Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimalrechnung, Wahrscheinlichkeit, lineare Algebra, Statistik und Hypothesentests und zeigt Ihnen, wie diese Mathe-Basics beispielsweise in der linearen und logistischen Regression und in neuronalen Netzen eingesetzt werden. Zusätzlich erhalten Sie Einblicke in den aktuellen Stand der Data Science und erfahren, wie Sie dieses Wissen für Ihre Karriere als Data Scientist nutzen.- Verwenden Sie Python-Code und Bibliotheken wie SymPy, NumPy und scikit-learn, um grundlegende mathematische Konzepte wie Infinitesimalrechnung, lineare Algebra, Statistik und maschinelles Lernen zu erkunden- Verstehen Sie Techniken wie lineare und logistische Regression und neuronale Netze durch gut nachvollziehbare Erklärungen und ein Minimum an mathematischer Terminologie- Wenden Sie deskriptive Statistik und Hypothesentests auf einen Datensatz an, um p-Werte und statistische Signifikanz zu interpretieren- Manipulieren Sie Vektoren und Matrizen und führen Sie Matrixzerlegung durch- Vertiefen Sie Ihre Kenntnisse in Infinitesimal- und Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra und wenden Sie sie auf Regressionsmodelle einschließlich neuronaler Netze an- Erfahren Sie, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse optimieren und gängige Fehler vermeiden, um auf dem Data-Science-Arbeitsmarkt zu überzeugen</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="0"><subfield code="a">Data mining</subfield><subfield code="x">Mathematics</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Mathematical statistics</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Probabilities</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Computer science</subfield><subfield code="x">Mathematics</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Langenau, Frank</subfield><subfield code="e">ÜbersetzerIn</subfield><subfield code="4">trl</subfield></datafield><datafield tag="776" ind1="1" ind2=" "><subfield code="z">9783960092155</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Druck-Ausgabe</subfield><subfield code="z">9783960092155</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/-/9781098168865/?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-100066704 |
| illustrated | Illustrated |
| indexdate | 2025-01-17T11:22:17Z |
| institution | BVB |
| isbn | 3960107641 9783960107644 |
| language | German |
| open_access_boolean | |
| owner | DE-91 DE-BY-TUM |
| owner_facet | DE-91 DE-BY-TUM |
| physical | 1 Online-Ressource (336 Seiten) illustrations |
| psigel | ZDB-30-ORH TUM_PDA_ORH ZDB-30-ORH |
| publishDate | 2024 |
| publishDateSearch | 2024 |
| publishDateSort | 2024 |
| publisher | dpunkt |
| record_format | marc |
| spelling | Nield, Thomas VerfasserIn aut Essential math for data science Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse Thomas Nield ; Deutsche Übersetzung von Frank Langenau 1. Auflage Heidelberg dpunkt 2024 1 Online-Ressource (336 Seiten) illustrations Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Includes bibliographical references and index Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen. Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimalrechnung, Wahrscheinlichkeit, lineare Algebra, Statistik und Hypothesentests und zeigt Ihnen, wie diese Mathe-Basics beispielsweise in der linearen und logistischen Regression und in neuronalen Netzen eingesetzt werden. Zusätzlich erhalten Sie Einblicke in den aktuellen Stand der Data Science und erfahren, wie Sie dieses Wissen für Ihre Karriere als Data Scientist nutzen.- Verwenden Sie Python-Code und Bibliotheken wie SymPy, NumPy und scikit-learn, um grundlegende mathematische Konzepte wie Infinitesimalrechnung, lineare Algebra, Statistik und maschinelles Lernen zu erkunden- Verstehen Sie Techniken wie lineare und logistische Regression und neuronale Netze durch gut nachvollziehbare Erklärungen und ein Minimum an mathematischer Terminologie- Wenden Sie deskriptive Statistik und Hypothesentests auf einen Datensatz an, um p-Werte und statistische Signifikanz zu interpretieren- Manipulieren Sie Vektoren und Matrizen und führen Sie Matrixzerlegung durch- Vertiefen Sie Ihre Kenntnisse in Infinitesimal- und Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra und wenden Sie sie auf Regressionsmodelle einschließlich neuronaler Netze an- Erfahren Sie, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse optimieren und gängige Fehler vermeiden, um auf dem Data-Science-Arbeitsmarkt zu überzeugen Machine learning Mathematics Data mining Mathematics Mathematical statistics Probabilities Computer science Mathematics Langenau, Frank ÜbersetzerIn trl 9783960092155 Erscheint auch als Druck-Ausgabe 9783960092155 |
| spellingShingle | Nield, Thomas Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse Machine learning Mathematics Data mining Mathematics Mathematical statistics Probabilities Computer science Mathematics |
| title | Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse |
| title_alt | Essential math for data science |
| title_auth | Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse |
| title_exact_search | Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse |
| title_full | Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse Thomas Nield ; Deutsche Übersetzung von Frank Langenau |
| title_fullStr | Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse Thomas Nield ; Deutsche Übersetzung von Frank Langenau |
| title_full_unstemmed | Mathe-Basics für Data Scientists lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse Thomas Nield ; Deutsche Übersetzung von Frank Langenau |
| title_short | Mathe-Basics für Data Scientists |
| title_sort | mathe basics fur data scientists lineare algebra statistik und wahrscheinlichkeitsrechnung fur die datenanalyse |
| title_sub | lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse |
| topic | Machine learning Mathematics Data mining Mathematics Mathematical statistics Probabilities Computer science Mathematics |
| topic_facet | Machine learning Mathematics Data mining Mathematics Mathematical statistics Probabilities Computer science Mathematics |
| work_keys_str_mv | AT nieldthomas essentialmathfordatascience AT langenaufrank essentialmathfordatascience AT nieldthomas mathebasicsfurdatascientistslinearealgebrastatistikundwahrscheinlichkeitsrechnungfurdiedatenanalyse AT langenaufrank mathebasicsfurdatascientistslinearealgebrastatistikundwahrscheinlichkeitsrechnungfurdiedatenanalyse |