Mathe-Basics fĂŒr Data Scientists
Lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung fĂŒr die Datenanalyse
Thomas Nield, Frank Langenau
- 335 pages
- German
- ePUB (adapté aux mobiles)
- Disponible sur iOS et Android
Mathe-Basics fĂŒr Data Scientists
Lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung fĂŒr die Datenanalyse
Thomas Nield, Frank Langenau
Ă propos de ce livre
Frischen Sie Ihre Mathematik-Kenntnisse fĂŒr Datenanalysen, Machine Learning und Neuronale Netze auf!- Dieses Buch richtet sich an angehende und fortgeschrittene Data Scientists sowie Programmierer*innen, die sich die mathematischen Grundlagen der Data Science aneignen wollen- Besonders gut nachvollziehbar durch minimale mathematische Fachterminologie, praxisnahe Beispiele und zahlreiche Abbildungen- Mit Ăbungen und Lösungen, um das Gelernte zu vertiefen- FĂŒr Studium und BerufUm als Data Scientist erfolgreich zu sein, mĂŒssen Sie ĂŒber ein solides mathematisches Grundwissen verfĂŒgen. Dieses Buch bietet einen leicht verstĂ€ndlichen Ăberblick ĂŒber die Mathematik, die Sie in der Data Science benötigen. Thomas Nield fĂŒhrt Sie Schritt fĂŒr 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. ZusĂ€tzlich erhalten Sie Einblicke in den aktuellen Stand der Data Science und erfahren, wie Sie dieses Wissen fĂŒr 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 ErklĂ€rungen 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 fĂŒhren Sie Matrixzerlegung durch- Vertiefen Sie Ihre Kenntnisse in Infinitesimal- und Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra und wenden Sie sie auf Regressionsmodelle einschlieĂlich neuronaler Netze an- Erfahren Sie, wie Sie Ihre Kenntnisse und FĂ€higkeiten in der Datenanalyse optimieren und gĂ€ngige Fehler vermeiden, um auf dem Data-Science-Arbeitsmarkt zu ĂŒberzeugen