دانلود کتاب Data Science and Machine Learning: Mathematical and Statistical Methods – علم داده و یادگیری ماشین: روش های ریاضی و آماری

توضیحات

‘This textbook is a well-rounded, rigorous, and informative work presenting the mathematics behind modern machine learning techniques. It hits all the right notes: the choice of topics is up-to-date and perfect for a course on data science for mathematics students at the advanced undergraduate or early graduate level. This book fills a sorely-needed gap in the existing literature by not sacrificing depth for breadth, presenting proofs of major theorems and subsequent derivations, as well as providing a copious amount of Python code. I only wish a book like this had been around when I first began my journey!’ -Nicholas Hoell, University of Toronto

‘This is a well-written book that provides a deeper dive into data-scientific methods than many introductory texts. The writing is clear, and the text logically builds up regularization, classification, and decision trees. Compared to its probable competitors, it carves out a unique niche. -Adam Loy, Carleton College

The purpose of

is to provide an accessible, yet comprehensive textbook intended for students interested in gaining a better understanding of the mathematics and statistics that underpin the rich variety of ideas and machine learning algorithms in data science.

Key Features:

Focuses on mathematical understanding.

Presentation is self-contained, accessible, and comprehensive.

Extensive list of exercises and worked-out examples.

Many concrete algorithms with Python code.

Full color throughout.

The Authors:

Dirk P. Kroese, PhD, is a Professor of Mathematics and Statistics at The University of Queensland. He has published over 120 articles and five books in a wide range of areas in mathematics, statistics, data science, machine learning, and Monte Carlo methods. He is a pioneer of the well-known Cross-Entropy method–an adaptive Monte Carlo technique, which is being used around the world to help solve difficult estimation and optimization problems in science, engineering, and finance.

Zdravko Botev, PhD, is an Australian Mathematical Science Institute Lecturer in Data Science and Machine Learning with an appointment at the University of New South Wales in Sydney, Australia. He is the recipient of the 2018 Christopher Heyde Medal of the Australian Academy of Science for distinguished research in the Mathematical Sciences.

Thomas Taimre, PhD, is a Senior Lecturer of Mathematics and Statistics at The University of Queensland. His research interests range from applied probability and Monte Carlo methods to applied physics and the remarkably universal self-mixing effect in lasers. He has published over 100 articles, holds a patent, and is the coauthor of Handbook of Monte Carlo Methods (Wiley).

Radislav Vaisman, PhD, is a Lecturer of Mathematics and Statistics at The University of Queensland. His research interests lie at the intersection of applied probability, machine learning, and computer science. He has published over 20 articles and two books.

————————————————————–

ترجمه ماشینی :

این کتاب درسی یک اثر جامع، دقیق و آموزنده است که ریاضیات پشت تکنیک‌های یادگیری ماشین مدرن را ارائه می‌کند. همه نکات درست را نشان می دهد: انتخاب موضوعات به روز است و برای دوره ای در زمینه علوم داده برای دانشجویان ریاضی در مقطع کارشناسی پیشرفته یا در مقطع کارشناسی ارشد عالی است. این کتاب با فدا نکردن عمق برای وسعت، ارائه اثبات قضایای اصلی و مشتقات بعدی، و همچنین ارائه مقدار زیادی از کد پایتون، یک شکاف بسیار مورد نیاز در ادبیات موجود را پر می‌کند. فقط ای کاش وقتی برای اولین بار سفرم را شروع کردم، چنین کتابی وجود داشت!’ -نیکلاس هول، دانشگاه تورنتو

این کتابی است که به خوبی نوشته شده است که در مقایسه با بسیاری از کتاب های مقدماتی، به بررسی عمیق تر روش های علم داده می پردازد. متن ها نوشته واضح است و متن به طور منطقی درخت های منظم سازی، طبقه بندی و تصمیم را ایجاد می کند. در مقایسه با رقبای احتمالی خود، جایگاه منحصر به فردی را ایجاد می کند. -آدام لوی، کالج کارلتون

هدف علوم داده و یادگیری ماشین: روش‌های ریاضی و آماری ارائه یک کتاب درسی در دسترس و در عین حال جامع برای دانش آموزانی است که علاقه مند به درک بهتری از ریاضیات و آمار هستند که زیربنای تنوع غنی ایده ها و الگوریتم های یادگیری ماشین در علم داده است.

< /b>