Blick ins Buch

Mathe-Basics für Data Scientists

lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung für die Datenanalyse

Thomas Nield (Autor)

Buch | Softcover

360 Seiten

2023 | 1. Auflage
O'Reilly (Verlag)
978-3-96009-215-5 (ISBN)

Lese- und Medienproben

Inhaltsverzeichnis (PDF)
Leseprobe (PDF)
Leseprobe (PDF)

Artikel merken

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	27.10.2023
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
Themenwelt	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