Thomas Nield 著

孙蒙, 王艺敏, 闻传花, 邹霞 译

出版时间：2023年09月

页数：353

“在当前喧嚣的数据科学教育环境下，这本书的与众不同在于，它用许多清晰、实用的例子说明了理解和构建数据所需的基础知识。”
——Vicki Boykis
Tumblr高级机器学习工程师

要在数据科学、机器学习和统计学方面表现优异，就需要掌握相关的数学知识。本书中，作者Thomas Nield将指导你涉足微积分、概率论、线性代数和统计学等领域，以及如何将它们应用于线性回归、逻辑斯蒂回归和神经网络等技术。在此过程中，你还将获得对数据科学现状的实际见解，并学习如何充分利用这些见解来规划你的职业生涯。

学习如何：
● 使用Python代码和SymPy、NumPy、scikit-learn等库，探索微积分、线性代数、统计学和机器学习等基本数学概念
● 用朴素的语言和最少的数学符号及术语去理解线性回归、逻辑斯蒂回归和神经网络等技术
● 对数据集进行描述性统计和假设检验，以解释p值和统计显著性
● 操作向量和矩阵并对矩阵进行分解
● 整合并构建微积分、概率论、统计学和线性代数的增量知识，并将其应用于包括神经网络在内的回归模型
● 通过数据科学职业生涯中的实际经历，让你避免常见的陷阱、假设和偏见，同时调整技能组合，以便你能在就业市场中脱颖而出