Ebook Math Cho Data Science [Ấn Bản Lần 1, Tháng 5/2025] [PDF] [9382E]
Tổng quan:
- ✓ Các Jupyter notebook và các file hỗ trợ có sẵn.
- ✓ Các ý tưởng được thể hiện cụ thể bằng Python và các khái niệm được củng cố bằng các ví dụ, bài tập và bằng chứng chi tiết.
- ✓ Chương 7 kết thúc phần toán học được trình bày để thảo luận về neural networks và machine learning.
Math cho Data Science trình bày các nền tảng toán học cần thiết để học tập và làm việc trong Data Science. Cuốn sách phù hợp với các khóa học về toán ứng dụng, business analytics, computer science, data science và engineering. Văn bản bao gồm các phần của đại số tuyến tính, phép tính, xác suất và thống kê là điều kiện tiên quyết cho Data Science. Điểm nổi bật của cuốn sách là chương về machine learning, trong đó kết quả của các chương trước được áp dụng cho neural network training và stochastic gradient descent. Chương cuối cùng này cũng bao gồm các chủ đề nâng cao như accelerated gradient descent và logistic regression trainability.
Các ví dụ rõ ràng được hỗ trợ bằng các hình ảnh chi tiết và code Python; Các Jupyter notebook và các file hỗ trợ có sẵn trên trang web của tác giả. Hơn 380 bài tập và chín phụ lục chi tiết bao gồm tài liệu cơ bản nền tảng được cung cấp để hỗ trợ việc học hiểu. Cuốn sách bắt đầu với tốc độ nhẹ nhàng, bằng cách tập trung vào các two-dimensional dataset. Khi tiến triển, các chủ đề cơ bản được mở rộng, dẫn đến các kết quả sâu hơn ở cấp độ nâng cao hơn.
Mục lục:
- ✓ Chương 1. Dataset:
- + 1.1. Giới thiệu.
- + 1.2. MNIST Dataset.
- + 1.3. Averages & Vector Spaces.
- + 1.4. Mean & Variance.
- + 1.5. High Dimensions.
- ✓ Chương 2. Linear Geometry:
- + 2.1. Vectors & Matrices.
- + 2.2. Products.
- + 2.3. Matrix Inverse.
- + 2.4. Span & Linear Independence.
- + 2.5. Zero Variance Directions.
- + 2.6. Pseudo-Inverse.
- + 2.7. Projections.
- + 2.8. Basis.
- + 2.9. Rank.
- ✓ Chương 3. Principal Components:
- + 3.1. Geometry of Matrices.
- + 3.2. Eigenvalue Decomposition.
- + 3.3. Graphs.
- + 3.4. Singular Value Decomposition.
- + 3.5. Principal Component Analysis.
- + 3.6. Cluster Analysis.
- ✓ Chương 4. Giải tích (Calculus):
- + 4.1. Single-Variable Calculus.
- + 4.2. Entropy & Information.
- + 4.3. Multi-Variable Calculus.
- + 4.4. Back Propagation.
- + 4.5. Convexity.
- ✓ Chương 5. Xác suất (Probability):
- + 5.1. Probability.
- + 5.2. Binomial Probability.
- + 5.3. Random Variables.
- + 5.4. Normal Distribution.
- + 5.5. Chi-squared Distribution.
- + 5.6. Multinomial Probability.
- ✓ Chương 6. Thống kê (Statistics):
- + 6.1. Estimation.
- + 6.2. Z-test.
- + 6.3. T -test.
- + 6.4. Chi-Squared Tests.
- ✓ Chương 7. Machine Learning:
- + 7.1. Tổng quan.
- + 7.2. Neural Networks.
- + 7.3. Gradient Descent.
- + 7.4. Network Training.
- + 7.5. Linear Regression.
- + 7.6. Logistic Regression.
- + 7.7. Regression Examples.
- + 7.8. Strong Convexity.
- + 7.9. Accelerated Gradient Descent.
- ✓ Phụ lục A. Tài liệu bổ trợ.
- ✓ Phụ lục B. File bổ trợ.
LƯU Ý: Pass mở file pdf là mật khẩu giải nén chung của tài liệu !