Mathe-Basics für Data Scientists

lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse

(Autor)

Buch | Softcover
360 Seiten
2023 | 1. Auflage
O'Reilly (Verlag)
978-3-96009-215-5 (ISBN)
39,90 inkl. MwSt
  • 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 Übungen und Lösungen, um das Gelernte zu vertiefen
  • Für Studium und Beruf

Frischen Sie Ihre Mathematik-Kenntnisse für Datenanalysen, Machine Learning und Neuronale Netze auf!

Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen klaren, leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen.

Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimal- und Wahrscheinlichkeitsrechnung, lineare Algebra, Statistik und Hypothesentests und zeigt Ihnen, wie diese beispielsweise in der linearen und logistischen Regression und in Neuronalen Netzen eingesetzt werden.

Praktische Codebeispiele in Python und der Einsatz von Bibliotheken wie SymPy, NumPy und scikit-learn helfen Ihnen nachzuvollziehen, wie die mathematischen Konzepte auf Ihre Arbeit anwendbar sind. Sie bekommen ein Grundverständnis dafür, wie die Algorithmen unter der Haube funktionieren, und können sie mit Anwendungen wie dem maschinellen Lernen verknüpfen.

In einem Exkurs beschreibt Thomas Nield außerdem, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse weiter optimieren können, um auf dem Data-Science-Arbeistmarkt zu überzeugen.

  • 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

Zielgruppe:
  • Data Scientists: Einsteiger*innen und Fortgeschrittene
  • Programmierer*innen, die sich Grundlagen der Data Science aneignen wollen

Thomas Nield ist der Gründer der Nield Consulting Group sowie Dozent bei O'Reilly Media und an der University of Southern California. Er hat Freude daran, technische Inhalte für diejenigen verständlich und gut nutzbar zu machen, die mit ihnen nicht vertraut sind oder sich von ihnen abgeschreckt fühlen. Thomas Nield unterrichtet regelmäßig Kurse zu Datenanalyse, Machine Learning, mathematischer Optimierung, KI-Systemsicherheit und praktischer künstlicher Intelligenz. Er ist Autor von zwei Büchern, Getting Started with SQL (O'Reilly) und Learning RxJava (Packt). Außerdem ist er der Gründer und Erfinder von Yawman Flight, einem Unternehmen, das Handsteuerungen für Flugsimulatoren und unbemannte Luftfahrzeuge entwickelt.

Erscheinungsdatum
Reihe/Serie Animals
Übersetzer Frank Langenau
Zusatzinfo Illustrationen
Verlagsort Heidelberg
Sprache deutsch
Original-Titel Essential Math for Data Science
Maße 165 x 240 mm
Einbandart kartoniert
Themenwelt Informatik Datenbanken Data Warehouse / Data Mining
Mathematik / Informatik Informatik Programmiersprachen / -werkzeuge
Schlagworte Data Science • Deep learning • Hypothesentests • Infinitesimalrechnung • Klassifikation • Lineare Regression • Logistische Regression • machine learning • Maschinelles Lernen • Neuronale Netze • NumPy • overfitting • Python • scikit-learn • Sympy • Varianz
ISBN-10 3-96009-215-6 / 3960092156
ISBN-13 978-3-96009-215-5 / 9783960092155
Zustand Neuware
Haben Sie eine Frage zum Produkt?
Mehr entdecken
aus dem Bereich