کتاب Foundations of Data Science

وضعیت موجودی موجود

مقایسه شود

قیمت قبلی: 5,120,000 ریال

قیمت: 4,720,000 ریال

Product details

Publisher ‏ : ‎ Cambridge University Press; 1st edition (March 12, 2020)
Language ‏ : ‎ English
Hardcover ‏ : ‎ 432 pages
ISBN-10 ‏ : ‎ 1108485065
ISBN-13 ‏ : ‎ 978-1108485067

Available at a lower price from other sellers that may not offer free Prime shipping.

This book provides an introduction to the mathematical and algorithmic foundations of data science, including machine learning, high-dimensional geometry, and analysis of large networks. Topics include the counterintuitive nature of data in high dimensions, important linear algebraic techniques such as singular value decomposition, the theory of random walks and Markov chains, the fundamentals of and important algorithms for machine learning, algorithms and analysis for clustering, probabilistic models for large networks, representation learning including topic modelling and non-negative matrix factorization, wavelets and compressed sensing. Important probabilistic techniques are developed including the law of large numbers, tail inequalities, analysis of random projections, generalization guarantees in machine learning, and moment methods for analysis of phase transitions in large random graphs. Additionally, important structural and complexity measures are discussed such as matrix norms and VC-dimension. This book is suitable for both undergraduate and graduate courses in the design and analysis of algorithms for data.

منابع کتاب کتاب Foundations of Data Science

در دسترس قیمت پایین تر از سایر فروشندگان است که ممکن است نخستین حمل و نقل رایگان را ارائه ندهند.

این کتاب مقدمه ای بر پایه های ریاضی و الگوریتمی علم داده ها، از جمله یادگیری ماشین، هندسه با ابعاد بالا و تجزیه و تحلیل شبکه های بزرگ ارائه می دهد. موضوعات شامل ماهیت ضد انعطاف پذیر داده ها در ابعاد بالا، تکنیک های جبری خطی مهم مانند تجزیه ارزش انحصاری، تئوری پیاده روی های تصادفی و زنجیره های مارکوف، اصول و الگوریتم های مهم برای یادگیری ماشین، الگوریتم ها و تجزیه و تحلیل برای خوشه بندی، مدل های احتمالی برای تولید، مدل های احتمالی شبکه ها، یادگیری نمایندگی از جمله مدل سازی موضوع و فاکتور ماتریس غیر منفی، موجک و سنجش فشرده. تکنیک های احتمالی مهم از جمله قانون تعداد زیادی، نابرابری های دم، تجزیه و تحلیل پیش بینی های تصادفی، تضمین های تعمیم در یادگیری ماشین، و روش های لحظه ای برای تجزیه و تحلیل انتقال فاز در نمودارهای تصادفی بزرگ توسعه یافته است. علاوه بر این، اقدامات ساختاری و پیچیدگی مهم مانند هنجارهای ماتریکس و ابعاد VC مورد بحث قرار گرفته است. این کتاب برای دوره های کارشناسی و فارغ التحصیل در طراحی و تجزیه و تحلیل الگوریتم ها برای داده ها مناسب است.