۱۵ مفهوم ریاضی که هر دانشمند داده باید بداند؛ درک و یادگیری نحوه به کارگیری ریاضیات پشت الگوریتم‌های علم داده

با یادگیری زمان، مکان و نحوه اعمال اصول کلیدی ریاضی که محرک اکثر الگوریتم‌های علم داده هستند، راه‌حل‌های مؤثرتر و قدرتمندتری در علم داده ایجاد کنید.

ویژگی‌های کلیدی

الگوریتم‌های کلیدی علم داده را با مثال‌های مبتنی بر پایتون درک کنید.
با یادگیری نحوه اعمال الگوریتم‌های موجود، تأثیر راه‌حل‌های علم داده خود را افزایش دهید.
با یادگیری نحوه ایجاد الگوریتم‌های جدید، راه‌حل‌های علم داده خود را به سطح بالاتری ببرید.

شرح کتاب

علم داده قدرت داده‌ها را با دقت روش‌شناسی علمی ترکیب می‌کند، و ریاضیات ابزارها و چارچوب‌هایی را برای تجزیه و تحلیل، توسعه الگوریتم و استخراج بینش فراهم می‌کند. با پیچیده‌تر شدن الگوریتم‌های یادگیری ماشین، داشتن پایه محکم در ریاضی برای دانشمندان داده بسیار مهم است. دیوید هویل، با بیش از 30 سال تجربه در مدل‌سازی آماری و ریاضی، تخصص صنعتی بی‌نظیری را در این کتاب به ارمغان می‌آورد و از کار خود در ساخت مدل‌های پیش‌بینی برای بزرگترین خرده‌فروشان جهان بهره می‌برد.

این کتاب با در بر گرفتن 15 مفهوم حیاتی، طیفی از تکنیک‌های ریاضی را پوشش می‌دهد تا به شما در درک طیف وسیعی از الگوریتم‌ها و کاربردهای علم داده کمک کند. با شروع از مفاهیم اساسی بنیادی، مانند متغیرهای تصادفی و توزیع‌های احتمال، یاد خواهید گرفت که چرا داده‌ها تغییر می‌کنند و ماتریس‌ها و جبر خطی را برای تبدیل آن داده‌ها بررسی خواهید کرد. با تکیه بر این پایه، کتاب مفاهیم عمومی متوسط، مانند پیچیدگی مدل و تحلیل شبکه، و همچنین مفاهیم پیشرفته‌ای مانند یادگیری مبتنی بر هسته و نظریه اطلاعات را در بر می‌گیرد. هر مفهوم با قطعه کدهای پایتون نشان داده شده است که کاربرد عملی آنها را برای حل مشکلات نشان می‌دهد.

در پایان کتاب، اعتماد به نفس لازم برای به کارگیری مفاهیم کلیدی ریاضی در چالش‌های علم داده خود را خواهید داشت.

آنچه خواهید آموخت

بر مفاهیم بنیادی که زیربنای همه کاربردهای علم داده هستند، مسلط شوید
از تکنیک‌های پیشرفته برای ارتقاء مهارت علم داده خود استفاده کنید
مفاهیم علم داده را برای حل چالش‌های علم داده دنیای واقعی به کار ببرید
مفاهیم NumPy، SciPy و scikit-learn را در پایتون پیاده‌سازی کنید
مدل‌های یادگیری ماشین پیش‌بینی‌کننده را با مفاهیم ریاضی بسازید
در روش‌های غیرپارامتری بیزی برای مدل‌سازی احتمالی پیشرفته تخصص کسب کنید
مهارت‌های ریاضی متناسب با انواع داده‌های سری زمانی و شبکه را کسب کنید

این کتاب برای چه کسانی مناسب است؟

این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و تحلیلگران داده است که از ابزارها و کتابخانه‌های علوم داده استفاده می‌کنند، اما می‌خواهند درباره ریاضیات زیربنایی آن بیشتر بیاموزند. چه به دنبال تقویت ریاضیاتی باشید که از قبل می‌دانید، و چه به بینش‌هایی در مورد زمان و نحوه استفاده از ابزارها و کتابخانه‌ها برای مسئله علوم داده خود نیاز داشته باشید، این کتاب برای شما مناسب است. این کتاب که به مفاهیم ضروری، عمومی و منتخب سازماندهی شده است، هم برای متخصصانی که تازه سفر علوم داده خود را آغاز کرده‌اند و هم برای دانشمندان داده باتجربه مناسب است.

فهرست مطالب

خلاصه‌ای از نمادگذاری و اصطلاحات ریاضی
متغیرهای تصادفی و توزیع‌های احتمال
ماتریس‌ها و جبر خطی
توابع زیان و بهینه‌سازی
مدل‌سازی احتمالی
سری‌های زمانی و پیش‌بینی
آزمون فرضیه
پیچیدگی مدل
تجزیه تابع
تحلیل شبکه
سیستم‌های دینامیکی
روش‌های هسته
نظریه اطلاعات
روش‌های بیزی ناپارامتری
ماتریس‌های تصادفی