華通書坊
註冊 登入
 精準搜尋
書名: 資料科學基礎數學 (1版)
作者: Thomas Nield
譯者: 楊新章
版次: 1
ISBN: 9786263244375
出版社: 碁峰
出版日期: 2023/03
#資訊
#資訊科學與資訊系統
#電腦網際網路
#計算機概論
定價: 680元
售價: 578元
庫存: 已售完
LINE US! 詢問這本書 團購優惠、書籍資訊 等
此書籍已售完，調書籍需2-5工作日。建議與有庫存書籍分開下單

資料科學基礎數學 (1版)

定價: 680 售價: 578 現省: 102

付款方式: 超商取貨付款 line pay
信用卡 全支付
線上轉帳 Apple pay
物流方式: 超商取貨
宅配
門市自取

詳細資訊

商品描述 使用基本的線性代數、機率和統計來掌控您的資料 「在當前資料科學教育環境的嘈雜聲中，這本書脫穎而出，包含許多清晰、實用的範例，說明理解和建構資料所需的基礎知識。」 —Vicki Boykis Tumblr高級機器學習工程師 讓您掌握在資料科學、機器學習和統計學等方面所需具備的數學知識。作者Thomas Nield將引導您了解微積分、機率、線性代數和統計等領域，以及它們是如何應用在線性迴歸、邏輯迴歸和神經網路等技術。 在此過程中，您還將獲得對資料科學的實用見解，以及如何利用這些見解幫助提升您的職業生涯。 您將了解如何： ‧使用Python程式碼和SymPy、NumPy和scikit-learn等程式庫來探索基本的數學概念，例如微積分、線性代數、統計和機器學習 ‧用簡單的語言並使用最少的數學符號和行話來理解線性迴歸、邏輯迴歸和神經網路等技術 ‧對資料集執行描述性統計和假說檢定，以解釋p值和統計顯著性 ‧操作向量和矩陣並執行矩陣分解 ‧對微積分、機率、統計和線性代數的知識進行整合和建構，並應用於包括神經網路在內的迴歸模型 ‧在資料科學職業生涯中進行實際導航，避免常見的陷阱、假設和偏見，同時調整您的技能以在就業市場中脫穎而出 目錄大綱 第1章 基本數學和微積分複習 第2章 機率 第3章 描述性和推論性統計 第4章 線性代數 第5章 線性迴歸 第6章 邏輯迴歸和分類 第7章 神經網路 第8章 職涯建議和前進的道路 附錄A 補充主題 附錄B 習題解答

為您推薦

圖解機器學習與資料科學的數學基礎｜使用Python (1版)

圖解機器學習與資料科學的數學基礎｜使用Python (1版)

類似書籍推薦給您

內容簡介 　　搞懂不會背叛你的數學，進一步提升你的程式功力！ 　　本書透過圖表解說人工智慧與資料科學領域的相關數學知識，並告訴你如何將其轉換為程式碼，除了可以吸收關於數學的知識之外，也能立即運用在工作上。 　　透過機率統計的學習，了解如何改善業務流程 　　本書將AI與資料科學的相關數學知識分成四大篇，第一篇的「機率統計、機器學習篇」介紹的是了解工作情況，篩選出必要資訊的流程，以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務，也能進一步觀察未來的變化。 　　了解最佳化的步驟，學會職場所需的最佳化流程 　　第二篇「數理最佳化篇」介紹最佳化業務的流程，以及解決業務問題的方法。要最佳化業務，就必須先了解哪些部分需要改善效率，換言之，最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類，就能學會工作職場所需的最佳化流程。 　　透過預測病毒的傳播模式，了解相關的數學理論 　　第三篇「數值模擬篇」則以傳染染病的傳播為主題，學習預測這類傳播模式的微分。只要了解微分，就能了解病毒的傳播模式，也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理，再說明這些原因都於哪些技術或職場應用。 來自讀者的讚譽 　　「這是我買過最實用的書」 　　「這本書可以讓你知道如何將數學應用在現實世界的工作之中」 　　「這本書拯救了文科出身，在工作上又不得不面對數學的我」 目錄 序章｜設定 Python開發環境 第一篇機率統計、機器學習篇 第1章｜取得資料之後的第一件事 第2章｜試著利用機器學習進行分析 第3章｜推測必需的資料筆數 第二篇 數理最佳化篇 第4章｜透過最佳路徑規劃問題，了解解決最佳化問題的方法 第5章｜透過排班問題了解最佳化問題的全貌 第三篇 數値模擬篇 第6章｜試著預測傳染病的影響 第7章｜試著透過動畫模擬人類的行為 第四篇 深度學習篇 第8章｜了解深度學習辨識影像的方法 第9章｜了解深度學習處理時間序列資料的機制 第10章｜了解以深度學習進行的圖片處理與語言處理 Appendix 程式設計與數學之間的橋梁 Appendix 1｜利用公式了解常態分佈 Appendix 2｜微分方程式差分法造成的誤差與泰勒展開式 Appendix 3｜非線性最佳化的機械學習／深度學習的迴歸／分類

原價: 650 售價: 553 現省: 97元
立即查看
跨領域學 Python：資料科學基礎養成

跨領域學 Python：資料科學基礎養成

類似書籍推薦給您

跨領域學Python：資料科學基礎養成 ISBN13：9789863126409 出版社：旗標出版社 作者：施威銘研究室 裝訂／頁數：平裝／320頁 規格：23cm*17cm*1.9cm (高/寬/厚) 版次：1 出版日：2020/11/30 中國圖書分類：電腦程式語言 內容簡介 　　我又不是程式設計師, 為什麼逼我寫程式？學 Python 到底要幹嘛？ 　　大家都說要學，可是到底有沒有 Python 這麼好用的八卦啊？ 　　█ 全民 AI 時代來臨, 資料科學順勢崛起 　　身在數位新世代, 任何行業都會接觸到龐大的資料, 而 Python 正是當今最常用的大數據 (Big Data) 處理工具。考慮到世界各國紛紛搶著將程式語言列入正規教育體系、台灣在 108 年度高中課綱跟進, 資料科學 (data science) 與機器學習 (machine learning) 又成為時下最搶手的新興行業, 學 Python 已經蔚為全民運動。 　　再不學 Python, 你將喪失競爭力, 等著淪為昨日黃花！ 　　█ 對未來徬徨的文科生, 也能靠程式培養斜槓好本事 　　為什麼學程式一定要數學好、懂理論？大學修過的計概、微積分或統計早就忘光光了, 怎麼辦？ 　　學 Python 絕非理科系學生的專利, 任何人都能輕鬆學會並運用 Python。用 Python 處理資料絕對出乎你意料地容易──無須高深技術或數學知識, 只需撰寫短短幾行程式碼, 便能輕鬆獲得統計數據和繪製圖表。一旦學會程式／資料科學技能, 再與你自身科系的知識及專長結合, 便能創造出獨一無二的跨領域價值, 大大提升就業前景、不怕畢業即失業！ 　　█ 從做中學, 零程式基礎也保證學得會 　　從 Python 的基本語法與重要基礎觀念, 到使用 Python 抓取報表、分析資料關聯、預測資料趨勢、繪製各種圖表, 甚至看似艱深、實際上簡單易用的機器學習模型...在耳聞已久的神秘面紗底下, 透過這本書引進門, 各位將發現使用 Python 來運用這些工具, 居然是如此簡單。 　　本書由同樣文科系出身的資深程式學習者操刀, 跳脫電腦書過去沉悶無趣的印象, 改以輕鬆又不失幽默的筆法、簡單但超實用的範例, 一步步帶各位體驗 Python 語言及資料科學的驚人威力。 　　學 Python 從未如此簡單──你到底還在等什麼？ 本書特色 　　★ 以易讀、高親和力的方式講解 Python 語言 (變數、邏輯判斷、迴圈、資料結構、函式...等) 及資料科學套件, 超級零基礎文科生也學得會, 從第一頁就有感！ 　　★ 用簡單套件打好資料科學基礎, 零基礎、高效率處理好大量資料, 包括：NumPy、Pandas、matplotlib、seaborn、scikit-learn、requests 等熱門套件。 　　★ 還不知道學 Python 能做什麼嗎？本書用極短程式碼完成超實用範例, 包括：整理報表、統計試算、繪製圖表、爬取網頁、預測分析、機器學習...等等。 　　★ 大數據時代必備的資料科學基礎, 從基礎統計學到機器學習, 你將快速搞懂像是中位數、四分位數、變異數、標準差、直方圖 (histogram)、箱型圖 (box plot)、相關係數 (correlation coefficient)、決定係數 (R2)、精準率與召回率 (Precision/Recall)、線性迴歸 (linear regression)、K-近鄰 (KNN)、邏輯斯迴歸 (Logistic Regression)、支援向量機 (SVM)、主成分分析 (PCA)、標籤 (labels)、特徵 (features)、分類器 (classifier)、標準化 (standardization)、降維 (dimension reduction)... 　　★ 特別附贈 Bonus：線上即時更新的 Jupyter Notebook 和 Anaconda 安裝操作手冊 目錄 第 0 章 有沒有 Python 超好用的八卦？ 0-0 最簡單的 Python 程式 0-1 資料視覺化 0-2 從網路抓資料 0-3 資料分析大神 Python 0-4 繼續往下翻之前的兩三事 0-5 準備好了嗎？執行這個程式 第 1 章 運算式、變數與資料型別 1-0 運算式：可算出值的式子 1-1 Python 的基礎資料型別 (type) 1-2 變數：給資料一個名字 1-3 變數的型別 1-4 變數的命名 第 2 章 邏輯判斷 2-0 用 if-else 做判斷 2-1 條件運算式 2-2 多重的 if 與 elif 2-3 以 input() 輸入資料 2-4 以 random 模組產生亂數 第 3 章 串列 list 與字典 dictionary 資料結構 3-0 串列 (list)：收集一連串資料的容器 3-1 串列切片 slicing：擷取串列中某範圍的一些元素 3-2 串列資料的增刪、加總與排序 3-3 字典：有鍵、值對照表的容器 3-4 其他資料結構：tuple 與集合 第 4 章 for、while 迴圈與走訪 iteration 4-0 做 10 件事情就要寫 10 行程式？可以少一點嗎？ 4-1 用 for 迴圈走訪容器 4-2 用 for 迴圈產生索引來存取另一個容器 4-3 用 for 迴圈走訪字典 4-4 while 迴圈：有停止條件的迴圈 第 5 章 數值、字串與簡易統計計算 5-0 Python 數值處理 5-1 math 模組 5-2 簡易統計量數計算 5-3 Python 字串處理 5-4 字串走訪、擷取及與串列的互轉 第 6 章 自訂函式 Function 6-0 用 def 自訂函式 6-1 能傳遞參數的函式 6-2 呼叫函式常見的錯誤與解決方法 6-3 有傳回值的函式 6-4 函式內外變數的差異：區域變數 vs. 全域變數 第 7 章 數值資料分析與其視覺化：使用 NumPy 及 matplotlib 7-0 認識 NumPy 與 matplotlib 7-1 NumPy 的基礎：ndarray 陣列 7-2 ndarray 陣列的運算及統計 7-3 將 ndarray 畫成折線圖：使用 matplotlib 7-4 直方圖與箱型圖：比較資料的偏度及離散程度 第 8 章 資料相關度與簡單線性迴歸分析 Data correlation coefficient and simple linear regression 8-0 相關係數 (correlation coefficient)：資料的相關程度 8-1 簡單線性迴歸 (linear regression)：預測資料的模型 8-2 簡單線性迴歸的視覺化 (visualization) 及圖表調整 8-3 非線性迴歸模型 [補充] 第 9 章 報表處理及視覺化：使用 pandas 及 seaborn 9-0 使用 pandas 匯入並分析資料 9-1 DataFrame 物件的行列選取及統計量數 9-2 以 seaborn 將報表資料視覺化 9-3 讀取空汙資訊的

原價: 480 售價: 432 現省: 48元
立即查看
資料科學的建模基礎：別急著coding！你知道模型的陷阱嗎？

資料科學的建模基礎：別急著coding！你知道模型的陷阱嗎？

類似書籍推薦給您

內容簡介 　　會coding並不代表會建模！ 　　 　　你是否曾經有以下問題： 　　「如何評估模型的適用性？」 　　「有人說模型參數越多越不好？」 　　「各種模型的差異以及特色是什麼？」 　　「有人說模型好壞不能只看預測精確率？」 　　「要選哪一種模型比較適合手上的資料？」 　　這本書，將帶你釐清以上所有疑惑，以及你心中更多問不出來的問題！ 　　市面上有很多優質的書籍，可以將建模工具（如：TensorFlow、Keras、PyTorch 等框架）鉅細靡遺地操作一遍；或是涵蓋許多數學、統計學的學理面，完美展現漂亮的數學式。但仍舊會讓人有隔靴搔癢、似懂非懂的感覺。再加上資料科學應用在不同領域，如工程學、物理學、化學、生物學、生態學、哲學、或是經濟學，產生大量令人混淆的知識、名詞。因此，過去那種單點突破式的學習歷程，已經不足以應付當代資料科學家的養成。 　　想要在這混亂的資料科學領域裡脫穎而出，關鍵就在於你需要有見樹也見林的通盤觀念：以「模型」為中心，將相關的數學、統計知識環繞在這個中心，做一個通盤的介紹；接著，以俯視的角度，來抓住各領域常用模型之間的關聯，並說明許多技術本質上是殊途同歸；最後，我們即可探討現實中不同問題的分析方式，以及實務上建模需要注意的事情。 　　本書將會講解與模型相關的機率、統計、微分方程、自我迴歸、狀態空間、馬可夫鏈等觀念；並且比較隨機森林、支援向量機(SVM)、神經網路、深度學習、自編碼器、強化式學習、多體系統等各種不同模型的優劣；最後討論貝氏推論、最大後驗估計、費雪三原則、訊息準則、概似比檢驗等如何應用在實際建模的過程。 　　中文版提供免費Python程式下載，讓讀者可以實際演練書中的範例，加深對知識的理解。 　　本書用宏觀的角度，來解述資料分析數學模型，讓你徹底了解資料分析過程中，不可或缺的「數學模型」。有了這本書，你將會掌握當代數學模型的基本精神，讓你在未來的研究或工作上，可以更順利。 本書特色 　　● 改變傳統一直寫程式的教學，帶你回到資料科學最根本的觀念 　　● 俯視資料科學的各種技術，掌握模型的特性跟陷阱 　　● 底線標示重要觀念，粗體標示重要名詞，註解提供讀者延伸資訊 　　● 滿滿全彩圖說，每章結束附有重點整理，中文版附贈範例程式 目錄 序言 第一篇 何謂數學模型 第1章 資料分析與數學模型 1.1 資料分析 1.2 數學模型的作用 第2章 數學模型的組成元素與類型 2.1 變數、數學結構、參數 2.2 數學模型與自然科學的基礎理論 2.3 理解導向建模與應用導向建模 2.4 理解導向建模 2.5 應用導向建模 2.6 數學模型的限制與適用範圍 第二篇 基礎數學模型 第3章 由簡單方程式建構而成之模型 3.1 線性模型（Linear Model） 3.2 實驗公式與曲線擬合 3.3 最佳化問題（Optimization Problem） 第4章 由基本微分方程式建構而成之模型 4.1 可求解的微分方程式模型 4.2 非線性微分方程式模型 4.3 可求解之模型和不可求解之模型 4.4 控制理論（Control Theory） 第5章 機率模型 5.1 隨機過程（Stochastic Process） 5.2 馬可夫過程（Markov Process） 5.3 排隊理論 第6章 統計模型 6.1 常態分佈 6.2 統計檢定 6.3 迴歸分析 第三篇 進階數學模型 第7章 時間序列模型 7.1 時間序列資料之結構 7.2 使用可觀測變數之模型 7.3 狀態空間模型（State Space Model） 7.4 他種類的時間序列分析法 第8章 機器學習（Machine Learning）模型 8.1 機器學習使用的模型與處理的問題特徵 8.2 分類（Classifification）、迴歸問題（Regression） 8.3 分群 8.4 降維（Dimensionality Reduction） 8.5 深度學習（Deep Learning） 第9章 強化式學習（Reinforcement Learning）模型 9.1 以強化式學習做為行為模型 92 以強化式學習進行機器學習 第10章 多體系統模型(Many-body System) 模型 10.1 從微觀到宏觀 10.2 各種集體現象模型 10.3 交互作用的網路 第四篇 建立數學模型 第11章 決定模型的因素 11.1 數學模型的性質 11.2 理解導向建模的要點 11.3 應用導向建模的要點 第12章 設計模型 12.1 變數的選擇 12.2 資料取得與實驗設計 12.3 數學結構與參數的選擇 12.4 避免建模錯誤 第13章 參數估計 13.1 根據目的進行參數估計 13.2 參數估計中目標函數的最小化 13.3 貝氏推論（Bayesian Inference）與貝氏建模（Bayesian Modeling） 第14章 評估模型 14.1 什麼是「好的模型」？ 14.2 分類準確率之指標 14.3 訊息準則（Information Criterion） 14.4 與虛無模型（Null Model）的比較與概似比檢驗（Likelihood Ratio Test） 14.5 交叉驗證（Cross-Validation） 後記

原價: 599 售價: 539 現省: 60元
立即查看
探索感官資料: 深入市場資料科學

探索感官資料: 深入市場資料科學

類似書籍推薦給您

【簡介】 針對商品感官屬性的評分資料，介紹分析方法與視覺化討論的技巧。 感官資料有各式各樣的形態，除了量化數字，還有質性文字，本書將以量化數字為主軸，透過多變量方法的應用與視覺化技術，來回答：最受消費者喜歡的是哪些特性？現行商品符合市場需求嗎？ 本書寫作為完整的資料導向，涵蓋推薦系統和消費者與專家品鑑兩類資料的形狀與特性，實做上則以R 套件SensoMineR 完成分析為重點。每章開場皆以詳述特定的資料結構為鋪陳，希望透過認識資料（know your data）深入感官資料分析的方法。 第一章是基於消費的採購行為所做的關聯推論，也是第二章品鑑資料的基礎。第三章則是稍微特殊一點的感官資料，也就是對商品屬性的專業品鑑，分別針對專業品鑑者（panelists）和商品的多種屬性作系統性分析。第四、五章為「商品角度的感官評分：單維度以及多重的屬性清單」。最後一章則是分析現今最流行的「按讚」行為，從中分析出消費者的偏好。 【目錄】 序 第一章　推薦演算之一：關聯規則與購物籃分析 第一節　交易記錄資料與基礎測量 第二節　關聯規則演算法之一：Apriori 第三節　其他方法 第二章　推薦演算之二：評分資料分析Real Rating 第一節　Real Rating 資料處理 第二節　協同演算法Collaborative Filtering 第三章　感官資料量化分析：ANOVA 方法 第一節　 品鑑者角度的感官品鑑：單維度屬性清單 第二節　ANOVA 之一：使用panelperf() 第三節　ANOVA 之二：使用paneliperf() 第四章　 商品角度的感官評分之一：單維度屬性清單 第一節　資料 第二節　主成分方法簡介 第三節　adjmean 的主成分分析 第四節　集群分析方法 第五節　 adjmean 的集群分析之一：階層式集群樹狀圖 第六節　adjmean 的集群分析之二：K-means 方法 第五章　 商品角度的感官評分之二：屬性的多重清單 第一節　利用MFA 建構商品空間 第二節　從Group 角度的整合與詮釋 第三節　資料練習—酒的感官饗宴 第六章　大家一起來按讚：消費者品鑑 第一節　享樂分數資料分析 第二節　當消費者喜好Liking 遇到專家評分Rating 第三節　消費者接受性分析之一：JAR 資料 第四節　消費者接受性分析之二：IPM 資料

原價: 560 售價: 476 現省: 84元
立即查看
Python 程式設計─AI 與資料科學應用 (3版)

Python 程式設計─AI 與資料科學應用 (3版)

類似書籍推薦給您

【簡介】 新版書將 AI 協作各個部分整合到章節中，從 AI 幻覺的案例開始說明提示工程，到如何利用 AI 協助除錯、產生測試案例、分析問題、推薦語法，並以通用大語言模型 ChatGPT、Claude 與哈佛大學特殊用途 CS50.ai 助教來作說明。 　　本書分成基礎篇和應用篇兩個部分來引發讀者學習興趣，第一部分「基礎篇」主要在介紹 Python 程式語言的基本語法與基本套件。第二部分「應用篇」分別是：「AI 協作案例」、「人臉辨識」、「物件辨識」、「視覺化文字資料」、「簡單線性迴歸」、「簡單線性分類」、「地理資訊系統應用」、「序列資料處理」、「資料的動畫呈現」、「字元辨識、翻譯與語音轉譯」。讓讀者可以用非常少的程式碼，製作出各式各樣與 AI 和「資料科學」相關的應用系統。 　　本書有完整的學習地圖，讀者可以依循學習地圖來學習，部分「應用篇」的章節，不會用到所有「基礎篇」的內容，所以可以安排提前學習，讀者甚至可以自行規劃學習路徑。另外，本書大部分所使用的資料集都會重複使用，讀者也可以依據資料使用的前後關係來自行規劃學習路徑。 【目錄】 Part 1　基礎篇 Chapter 1 Python程式語言簡介 Chapter 2 人工智慧與資料科學簡介 Chapter 3 變數與輸入輸出 Chapter 4 控制結構 ─ 分支 Chapter 5 控制結構 ─ 迴圈 Chapter 6 函數的使用與製作 Chapter 7 容器型別 Chapter 8 套件簡介 Part 2　應用篇 Chapter 9 AI協作案例簡介 Chapter 10 人臉辨識 Chapter 11 物件辨識 Chapter 12 視覺化文字資料 Chapter 13 簡單線性迴歸 Chapter 14 簡單線性分類 Chapter 15 地理資訊系統應用 Chapter 16 序列資料處理 Chapter 17 資料的動畫呈現 Chapter 18 字元辨識、翻譯與語音轉譯

原價: 580 售價: 545 現省: 35元
立即查看