你們已經學過了一些基本的統計學知識。均值、中位數和標準差都很熟悉。你知道調查和實驗，以及相關和簡單回歸的基本概念。你已經學習了概率，誤差范圍，一些假設檢驗和置信區間。你準備好為你的統計工具箱裝載新的工具了嗎?Statistics II For Dummies, 2nd Edition，拾取了Statistics For Dummies, 2nd Edition， (John Wiley & Sons)的右邊，并保持你沿著統計學的想法和技術的道路，以積極的，一步一步的方式。《傻瓜統計II》第二版的重點是尋找更多分析數據的方法。我會一步一步地說明如何使用一些技術，如多元回歸、非線性回歸、單向和雙向方差分析(ANOVA)和卡方檢驗，我還會給你一些使用大數據集的練習，這是現在非常流行的。使用這些新技術，您可以根據手頭的信息估計、調查、關聯和聚集更多的變量，并看到如何將這些工具組合在一起，創建一個關于您的數據的偉大故事(我希望是非虛構的!)。
//www.wiley.com/en-ag/Statistics+II+For+Dummies,+2nd+Edition-p-9781119827399
這本書是為那些已經通過置信區間和假設檢驗完成統計學的基本概念的人設計的(在《傻瓜統計學》第二版中找到)，他們已經準備好了通過Stats I的最后部分，或者解決Stats II的問題。不過，我還是會根據需要對Stats進行一些簡要概述，以提醒您所涵蓋的內容，并確保您了解最新情況。對于每一項新技術，您都可以從經驗豐富的數據分析師(真正屬于您的)那里獲得關于何時以及為何使用它的概述，如何知道何時需要它，如何應用它的逐步指導，以及提示和技巧。因為知道何時使用哪種方法是非常重要的，我強調是什么使每一種技術不同，以及結果告訴你什么。您還將看到這些技術在現實生活中的許多應用。
付費5元查看完整內容
相關內容
本文檔包含了物理模擬環境中與深度學習相關的所有內容的實用和全面的介紹。盡可能多地，所有主題都以Jupyter形式提供了實際操作的代碼示例，以便快速入門。除了標準的監督學習數據，我們將著眼于物理損失約束，更緊密耦合的學習算法與可微分模擬，以及強化學習和不確定性建模。我們生活在一個激動人心的時代: 這些方法有巨大的潛力從根本上改變計算機模擬所能達到的效果。
在本文中，我們將介紹將物理模型引入深度學習的不同方法，即基于物理的深度學習(PBDL)方法。為了增加集成的緊密性，將引入這些算法變體，并將討論不同方法的優缺點。重要的是要知道每種不同的技術在哪些場景中特別有用。
付費5元查看完整內容
機器學習中復雜的統計數據讓許多開發人員感到擔憂。了解統計學可以幫助你建立強大的機器學習模型，針對給定的問題陳述進行優化。這本書將教你所有需要執行復雜的統計計算所需的機器學習。您將獲得有關監督學習、非監督學習、強化學習等統計信息。了解真實世界的例子，討論機器學習的統計方面，并熟悉它。您還將設計用于執行諸如模型、參數擬合、回歸、分類、密度收集等任務的程序。
到本書結束時，你將掌握機器學習所需的統計數據，并能夠將你的新技能應用于任何類型的行業問題。
付費5元查看完整內容
《The Art of Data Science》深入探討您隨時可以使用的大量數據，并從中探及索獲得見解。本書重點介紹如何分析數據并進行篩選，借此找出數據背后的故事。作者運用本身的經驗，透過分析數據科學引導初學者和管理人員。
兩位作者都擁有管理數據科學以及在專業環境中管理分析員的經驗。作者討論本身的經驗，說明哪些做法將確實產生成功的結果，以及哪些陷阱會導致數據科學必然失敗。
數據分析很難，部分原因是很少有人能解釋如何進行數據分析。這并不是說沒有人定期做數據分析。而是那些真正擅長于此的人還沒有告訴我們他們頭腦中進行的思考過程。
在這本書中，我們打算做的是寫下數據分析的過程。我們所描述的不是一個具體的數據分析“公式”——類似于“應用這個方法，然后運行那個測試”——而是一個可以應用于各種情況的通用過程。通過我們管理數據分析師和進行自己的數據分析的豐富經驗，我們仔細觀察了哪些可以產生一致的結果，哪些不能對數據產生有用的見解。我們的目標是把我們學到的東西寫下來，希望別人能發現它有用。
付費5元查看完整內容
學習使用Python分析數據和預測結果的更簡單和更有效的方法
Python機器學習教程展示了通過關注兩個核心機器學習算法家族來成功分析數據，本書能夠提供工作機制的完整描述，以及使用特定的、可破解的代碼來說明機制的示例。算法用簡單的術語解釋，沒有復雜的數學，并使用Python應用，指導算法選擇，數據準備，并在實踐中使用訓練過的模型。您將學習一套核心的Python編程技術，各種構建預測模型的方法，以及如何測量每個模型的性能，以確保使用正確的模型。關于線性回歸和集成方法的章節深入研究了每種算法，你可以使用書中的示例代碼來開發你自己的數據分析解決方案。
機器學習算法是數據分析和可視化的核心。在過去，這些方法需要深厚的數學和統計學背景，通常需要結合專門的R編程語言。這本書演示了機器學習可以如何實現使用更廣泛的使用和可訪問的Python編程語言。
使用線性和集成算法族預測結果
建立可以解決一系列簡單和復雜問題的預測模型
使用Python應用核心機器學習算法
直接使用示例代碼構建自定義解決方案
機器學習不需要復雜和高度專業化。Python使用了更簡單、有效和經過良好測試的方法，使這項技術更容易為更廣泛的受眾所接受。Python中的機器學習將向您展示如何做到這一點，而不需要廣泛的數學或統計背景。
付費5元查看完整內容
本書解釋了數據科學中至關重要的統計學概念，介紹如何將各種統計方法應用于數據科學。作者以易于理解、瀏覽和參考的方式，引出統計學中與數據科學相關的關鍵概念；解釋各統計學概念在數據科學中的重要性及有用程度，并給出原因。
統計方法是數據科學的關鍵部分，但很少有數據科學家有任何正式的統計培訓。關于基本統計的課程和書籍很少從數據科學的角度涵蓋這個主題。這本實用指南解釋了如何將各種統計方法應用到數據科學中，告訴你如何避免它們被誤用，并就什么是重要的、什么是不重要的給出建議。
許多數據科學資源包含了統計方法，但缺乏更深層次的統計視角。如果您熟悉R編程語言，并且對統計學有一定的了解，那么本文的快速引用將以一種可訪問、可讀的格式填補空白。
通過這本書，你會學到:
- 為什么探索性數據分析是數據科學的一個關鍵的初步步驟
- 隨機抽樣如何在大數據的情況下減少偏差并產生更高質量的數據集
- 實驗設計的原則如何為問題提供明確的答案
- 如何使用回歸估計結果和檢測異常
- 用于預測記錄所屬類別的關鍵分類技術
- 從數據中“學習”的統計機器學習方法
- 從無標記數據中提取意義的無監督學習方法
//www.oreilly.com/library/view/practical-statistics-for/9781491952955/
付費5元查看完整內容
圖數據科學
·
Graph Data Science For Dummies將帶您了解圖數據科學的基礎——從定義圖分析和算法到向您展示如何使用它們進行機器學習和解決現實世界的問題。
-
了解圖表數據科學基礎
-
用圖表分析做出更好的預測
-
使用GDS技術升級您的應用程序
付費5元查看完整內容
C語言
·
和其他主要語言一樣，掌握C語言可以帶你去一些非常有趣的新地方。在它首次出現近50年后，它仍然是世界上最流行的編程語言，并被用作全球工業核心系統的基礎，包括操作系統、高性能圖形應用程序和微控制器。這意味著，在尖端產業的尖端領域，如游戲、應用程序開發、電信、工程、甚至動畫制作，都需要熟練的C語言用戶來將創新的想法轉化為順利運行的現實。
為了幫助您達到使用C語言的目的，第2版《C Programming For Dummies》涵蓋了開始編寫程序所需的所有內容，從邏輯上指導您完成開發周期:從最初的設計和測試到部署和實時迭代。到最后，您將熟練地掌握干凈的編程應該做什么和不應該做什么，并且能夠輕松地生成優雅而高效的源代碼的基本(或不那么基本)構建塊。
編寫和編譯源代碼 鏈接代碼以創建可執行程序 調試和優化您的代碼 避免常見的錯誤
無論你的目的地是科技行業、初創企業，還是只是為了在家消遣而開發，這本易于遵循、內容豐富、有趣的C編程語言指南都是實現這一目標最快、最友好的方式!
//file.allitebooks.com/20201014/C%20Programming%20For%20Dummies,%202nd%20Edition.epub
付費5元查看完整內容
C語言
·
一本簡單易學的傻瓜式C語言入門教程，不怕學不會!
付費5元查看完整內容
管理統計和數據科學的原理包括:數據可視化;描述性措施;概率;概率分布;數學期望;置信區間;和假設檢驗。方差分析;簡單線性回歸;多元線性回歸也包括在內。另外，本書還提供了列聯表、卡方檢驗、非參數方法和時間序列方法。
教材:
- 包括通常在入門統計學課程中涵蓋的學術材料，但與數據科學扭曲，較少強調理論
- 依靠Minitab來展示如何用計算機執行任務
- 展示并促進來自開放門戶的數據的使用
- 重點是發展對程序如何工作的直覺
- 讓讀者了解大數據的潛力和目前使用它的失敗之處
付費5元查看完整內容
這本教科書通過提供實用的建議，使用直接的例子，并提供相關應用的引人入勝的討論，以一種容易理解的方式介紹了基本的機器學習概念。主要的主題包括貝葉斯分類器，最近鄰分類器，線性和多項式分類器，決策樹，神經網絡，和支持向量機。后面的章節展示了如何通過“推進”的方式結合這些簡單的工具，如何在更復雜的領域中利用它們，以及如何處理各種高級的實際問題。有一章專門介紹流行的遺傳算法。
這個修訂的版本包含關于工業中機器學習的實用應用的關鍵主題的三個全新的章節。這些章節研究了多標簽域，無監督學習和它在深度學習中的使用，以及歸納邏輯編程的邏輯方法。許多章節已經被擴展，并且材料的呈現已經被增強。這本書包含了許多新的練習，許多解決的例子，深入的實驗，和獨立工作的計算機作業。
//link.springer.com/book/10.1007/978-3-319-63913-0#about
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191