Практическая линейная алгебра для аналитиков


Код: 14786170079
1113 грн
Цена указана с доставкой в Украину
Товар есть в наличии
КАК ЭКОНОМИТЬ НА ДОСТАВКЕ?
Заказывайте большое количество товаров у этого продавца
Информация
  • Время доставки: 7-10 дней
  • Состояние товара: новый
  • Доступное количество: 15

Приобретая «Практическая линейная алгебра для аналитиков» данный товар из каталога «Программирование» вы можете быть уверены, что после оформления заказа, доставки в Украину, вы получите именно то, что заказывали, в оговоренные сроки и европейского качества.

Практическая линейная алгебра для аналитиков данных. От основных концепций до полезных приложений в Python

Автор: Mike Cohen

Publisher: helion

Год релиза: 2023

Перевод: Филип Каминьский 9788328902619

Формат: 165x235

series: O'Reilly

Нахождение: SOFT

Pages: 288

. Новый

цена на покрытие книги: 77,00 PLN> Промо -цена можно найти на нашем аукционе!

Ничего плохого не происходит, если инженер или аналитик данных не понимают линейную алгебру. Он может использовать существующие инструменты и не беспокоиться о деталях их реализации. Тем не менее, стоит познакомиться с алгоритмами, используемыми в науке о данных, и адаптироваться к вашим потребностям существующим методам расчета, поэтому здесь современная линейная алгебра оказывается незаменимой. Если вы хотите узнать это в современной, практической форме, лучше всего использовать код и использование линейной алгебры в анализе данных или численном моделировании. Он является практическим руководством по концепциям линейной алгебры, задуманной, чтобы облегчить их понимание и использование в полезных расчетах. Индивидуальные проблемы представлены с использованием кода Python, а также примеры их использования в науке о данных, машинном обучении, глубоком обучении, моделировании и обработке биомедицинских данных. Благодаря учебнику вы изучите арифметику матрицы, вы изучите важные графики матрицы, включая LU и QR, а также распределение в соответствии с особыми значениями, вы также узнаете о таких проблемах, как наименьшие квадратные модели и анализ основных компонентов