توضیحات
This textbook is aimed at computer science undergraduates late in sophomore or early in junior year, supplying a comprehensive background in qualitative and quantitative data analysis, probability, random variables, and statistical methods, including machine learning. With careful treatment of topics that fill the curricular needs for the course, Probability and Statistics for Computer Science features: ‘ A treatment of random variables and expectations dealing primarily with the discrete case.’ A practical treatment of simulation, showing how many interesting probabilities and expectations can be extracted, with particular emphasis on Markov chains.’ A clear but crisp account of simple point inference strategies (maximum likelihood; Bayesian inference) in simple contexts. This is extended to cover some confidence intervals, samples and populations for random sampling with replacement, and the simplest hypothesis testing.’ A chapter dealing with classification, explaining why it’s useful; how to train SVM classifiers with stochastic gradient descent; and how to use implementations of more advanced methods such as random forests and nearest neighbors.’ A chapter dealing with regression, explaining how to set up, use and understand linear regression and nearest neighbors regression in practical problems.’ A chapter dealing with principal components analysis, developing intuition carefully, and including numerous practical examples. There is a brief description of multivariate scaling via principal coordinate analysis.’ A chapter dealing with clustering via agglomerative methods and k-means, showing how to build vector quantized features for complex signals. Illustrated throughout, each main chapter includes many worked examples and other pedagogical elements such as boxed Procedures, Definitions, Useful Facts, and Remember This (short tips). Problems and Programming Exercises are at the end of each chapter, with a summary of what the reader should know. Instructor resources include a full set of model solutions for all problems, and an Instructor’s Manual with accompanying presentation slides.;1 Notation and conventions — 2 First Tools for Looking at Data — 3 Looking at Relationships — 4 Basic ideas in probability — 5 Random Variables and Expectations — 6 Useful Probability Distributions — 7 Samples and Populations — 8 The Significance of Evidence — 9 Experiments — 10 Inferring Probability Models from Data — 11 Extracting Important Relationships in High Dimensions — 12 Learning to Classify — 13 Clustering: Models of High Dimensional Data — 14 Regression — 15 Markov Chains and Hidden Markov Models — 16 Resources.
————————————————————–
ترجمه ماشینی :
این کتاب درسی با هدف دانش آموزان علوم کامپیوتر در اواخر سال تحصیلی یا اوایل سال جونیور انجام شده است و پیشینه جامع در تجزیه و تحلیل داده های کیفی و کمی ، احتمال ، متغیرهای تصادفی و روشهای آماری از جمله یادگیری ماشین را تأمین می کند. با درمان دقیق مباحثی که نیازهای درسی برای دوره ، احتمال و آمار برای ویژگی های علوم رایانه را پر می کند: “درمان متغیرهای تصادفی و انتظارات در درجه اول با پرونده گسسته.” یک درمان عملی شبیه سازی ، نشان می دهد که چه تعداد احتمالات و انتظارات جالب را می توان با تأکید ویژه بر زنجیره های مارکوف استخراج کرد. یک گزارش واضح اما واضح از استراتژی های استنتاج نقطه ساده (حداکثر احتمال ؛ استنباط بیزی) در زمینه های ساده. این امر برای پوشش برخی فواصل اطمینان ، نمونه ها و جمعیت برای نمونه گیری تصادفی با جایگزینی و ساده ترین آزمایش فرضیه گسترش یافته است. یک فصل که به طبقه بندی می پردازد ، توضیح می دهد که چرا مفید است. نحوه آموزش طبقه بندی های SVM با نزول شیب تصادفی. و نحوه استفاده از پیاده سازی روشهای پیشرفته تر مانند جنگل های تصادفی و نزدیکترین همسایگان. یک فصل در رابطه با رگرسیون ، توضیح نحوه تنظیم ، استفاده و درک رگرسیون خطی و نزدیکترین رگرسیون همسایگان در مشکلات عملی. فصل مربوط به تجزیه و تحلیل مؤلفه های اصلی ، توسعه شهود با دقت و از جمله نمونه های عملی متعدد. شرح مختصری از مقیاس چند متغیره از طریق تجزیه و تحلیل مختصات اصلی وجود دارد. فصل مربوط به خوشه بندی از طریق روشهای آگلومراتیو و K- معنی ، نشان می دهد که چگونه می توان ویژگی های کمیت بردار را برای سیگنال های پیچیده ساخت. در کل ، هر فصل اصلی شامل بسیاری از نمونه های کار شده و سایر عناصر آموزشی مانند رویه های جعبه ای ، تعاریف ، حقایق مفید است و این را به یاد می آورید (نکات کوتاه). مشکلات و تمرینات برنامه نویسی در پایان هر فصل است و خلاصه ای از آنچه خواننده باید بداند. منابع مربی شامل مجموعه کاملی از راه حل های مدل برای همه مشکلات ، و کتابچه راهنمای مربی با اسلایدهای ارائه همراه است. – 5 متغیر و انتظارات تصادفی – 6 توزیع احتمال مفید – 7 نمونه و جمعیت – 8 اهمیت شواهد – 9 آزمایش – 10 مدل احتمال استنباط از داده ها – 11 استخراج روابط مهم در ابعاد بالا – 12 یادگیری برای طبقه بندی – 13 خوشه بندی: مدل های داده های ابعادی بالا – 14 رگرسیون – 15 زنجیره مارکوف و مدل های مخفی مارکوف – 16 منبع.
tag : دانلود کتاب احتمال و آمار علوم کامپیوتر , Download احتمال و آمار علوم کامپیوتر , دانلود احتمال و آمار علوم کامپیوتر , Download Probability and Statistics for Computer Science Book , احتمال و آمار علوم کامپیوتر دانلود , buy احتمال و آمار علوم کامپیوتر , خرید کتاب احتمال و آمار علوم کامپیوتر , دانلود کتاب Probability and Statistics for Computer Science , کتاب Probability and Statistics for Computer Science , دانلود Probability and Statistics for Computer Science , خرید Probability and Statistics for Computer Science , خرید کتاب Probability and Statistics for Computer Science ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.