華通書坊
詳細資訊
書名：High-Dimensional Probability: An Introduction with Applications in Data Science 作者：Vershynin 出版社：CAMBRIDGE 出版日期：2018/09/30 ISBN：9781108415194
| 定價: | ||||
| 售價: | 1650元 | |||
| 庫存: | 庫存: 1 | |||
| LINE US! | 詢問這本書 團購優惠、書籍資訊 等 | |||
High-Dimensional Probability: An Introduction with Applications in Data Science (1版)
定價:
1650
售價:
1650
現省:
0
| 付款方式: | 超商取貨付款 |
|
|
| 信用卡 |
|
||
| 線上轉帳 |
|
||
| 物流方式: | 超商取貨 | ||
| 宅配 | |||
| 門市自取 |
詳細資訊
書名：High-Dimensional Probability: An Introduction with Applications in Data Science 作者：Vershynin 出版社：CAMBRIDGE 出版日期：2018/09/30 ISBN：9781108415194
為您推薦
相關熱銷的書籍推薦給您
【中文翻譯書】 書名：機率論 修訂版 原文書名 : A First Course in Probability 8/E 作者 : Sheldon Ross 譯者 : 朱蘊鑛 出版社 : 華泰 出版日期 : 2012/07 ISBN : 9789862801543 內容簡介 本書針對具備微積分知識並主修數學、統計、工程和科學（包含資訊科學、生物科學、社會科學和管理科學）的學生介紹機率論，除了說明機率論的數學內涵並藉由大量的範例來介紹機率論的應用。 第1章提出組合分析之基本原理，它對於計算機率相當實用。 第2章介紹機率論之公設並證明它們可用於計算各式各樣有趣的機率。 第3章介紹條件機率與獨立事件等非常重要的主題。藉由一系列的範例，我們說明當某部分資訊可用時，條件機率如何幫助我們計算機率。 第4到第6章介紹隨機變數的概念。第4章介紹離散隨機變數，第5章介紹連續隨機變數，而第6章介紹聯合隨機變數。 第7章介紹期望值的其他性質，提出許多範例說明隨機變數之和的期望值等於他們個別的期望值之和這個結果的功能。 第8章提出機率論主要的理論結果，並證明強大數法則和中央極限定理。 第9章介紹一些其他的專題，例如馬可夫鏈、卜瓦松過程和資訊編碼理論。 第10章則介紹模擬。 在本書中每章最後給了兩組習題，第1組為練習題，而第2組為自我評量，並且在本書最後附有自我評量的詳細解答，應可增進讀者之學習成效以及提升應付校內外機率論科目之考試能力，特別是研究所之入學考試。 作者簡介 Sheldon Ross 現職：University of Southern California 學歷：Ph.D. in statistics at Stanford University 譯者簡介 朱蘊(金廣) 現職：國立臺中科技大學應用統計系教授兼系主任 學歷：清華大學統計所博士 目錄 第1章 組合分析 第2章 機率之公設 第3章 條件機率與獨立性 第4章 隨機變數 第5章 連續隨機變數 第6章 聯合分配之隨機變數 第7章 期望值的性質 第8章 極限定理 第9章 機率中另外的專題 第10章 模擬
類似書籍推薦給您
類似書籍推薦給您
書名：High-Dimensional Statistics: A Non-Asymptotic Viewpoint 作者：Wainwright 出版社：CAMBRIDGE 出版日期：2019/04/00 ISBN：9781108498029
類似書籍推薦給您
類似書籍推薦給您
There is a growing need for a more automated system of partitioning data sets into groups, or clusters. For example, digital libraries and the World Wide Web continue to grow exponentially, the ability to find useful information increasingly depends on the indexing infrastructure or search engine. Clustering techniques can be used to discover natural groups in data sets and to identify abstract structures that might reside there, without having any background knowledge of the characteristics of the data. Clustering has been used in a variety of areas, including computer vision, VLSI design, data mining, bio-informatics (gene expression analysis), and information retrieval, to name just a few. This book focuses on a few of the most important clustering algorithms, providing a detailed account of these major models in an information retrieval context. The beginning chapters introduce the classic algorithms in detail, while the later chapters describe clustering through divergences and show recent research for more advanced audiences.
