Share it with your network.
Die Elemente des Datenanalysestils
Autor: Jeffrey Leek
Dieses Buch konzentriert sich auf die Details der Datenanalyse, die in traditionellen Statistikkursen und Lehrbüchern manchmal übersehen werden.
Die Kunst der Datenwissenschaft
Autoren: Roger D. Peng und Elizabeth Matsui
Dieses Buch beschreibt den Prozess der Datenanalyse mit einem Minimum an technischen Details. Was sie beschreiben, ist keine spezifische „Formel“ für die Datenanalyse, sondern ein allgemeiner Prozess, der in einer Vielzahl von Situationen angewendet werden kann.
Automatisieren Sie langweilige Sachen mit Python
Autor: Al Sweigart
In diesem Buch lernen Sie, wie Sie mit Python Programme schreiben, die innerhalb von Minuten erledigen, wofür Sie Stunden von Hand benötigen würden — keine vorherige Programmiererfahrung erforderlich.
Datenwissenschaft in der Produktion
Autor: Ben G. Weber
Dieses Buch richtet sich an Praktiker, die praktische Erfahrungen mit der Entwicklung von Datenprodukten in mehreren Cloud-Umgebungen sammeln und Fähigkeiten für angewandte Datenwissenschaft entwickeln möchten.
Maschinelles Lernen verstehen: Von der Theorie zu Algorithmen
Autoren: Shai Shalev-Shwartz und Shai Ben-David
Dieses Buch enthält eine Diskussion der rechnerischen Komplexität des Lernens und der Konzepte von Konvexität und Stabilität, wichtige algorithmische Paradigmen wie stochastischer Gradientenabstieg, neuronale Netze und strukturiertes Output-Lernen sowie neue theoretische Konzepte wie der PAC-Bayes-Ansatz und kompressionsbasierte Grenzen.
Grundlagen der Datenwissenschaft
Autoren: Blum, Hopcroft und Kannan
Dieses Data-Science-Buch ist eine großartige Mischung aus Vorlesungen im modernen theoretischen Kurs der Datenwissenschaft.
UFLDL-Tutorial
Mitwirkende: Andrew Ng, Jiquan Ngiam, Chuan Yu Foo, Yifan Mai, Caroline Suen
Dieses Tutorial soll Sie mit den Hauptideen von Unsupervised Feature Learning und Deep Learning vertraut machen.
Python-Handbuch zur Datenwissenschaft
Autor: Jake Van der Plas
Das Buch stellt die wichtigsten Bibliotheken vor, die für die Arbeit mit Daten in Python unerlässlich sind: insbesondere IPython, NumPy, Pandas, Matplotlib, Scikit-Learn und verwandte Pakete.
Maschinelles Lernen und Big Data zum Anfassen
Autoren: Kareem Alkaseer
Dieses Buch ist eine großartige Quelle, um die Konzepte von maschinellem Lernen und Big Data zu erlernen.
Denken Sie an Statistiken
Autor: Allen B. Downey
Think Stats betont einfache Techniken, mit denen Sie reale Datensätze untersuchen und interessante Fragen beantworten können. Dies ist eines der am meisten empfohlenen Bücher für Datenwissenschaft.
Denken Sie an Bayes
Autor: Allen B. Downey
Think Bayes ist eine Einführung in die Bayessche Statistik unter Verwendung von Rechenmethoden. Dieses Buch verwendet Python-Code anstelle von Mathematik und diskrete Näherungen anstelle von kontinuierlicher Mathematik.
EE263: Einführung in lineare dynamische Systeme
Autor: Reza Nasiri Mahalati
Diese Zusammenstellung von Professor Sanjay konzentriert sich auf angewandte lineare Algebra und lineare dynamische Systeme mit Anwendungen in Schaltungen, Signalverarbeitungs-, Kommunikations- und Steuerungssystemen. Den Link zu den Kursnotizen der vergangenen Jahre von Professor Boyd finden Sie hier.
Konvexe Optimierung — Boyd und Vandenberghe
Autor: Stephen Boyd und Lieven Vandenberghe
Dieses Buch bietet eine umfassende Einführung in das Thema und zeigt detailliert, wie solche Probleme mit großer Effizienz numerisch gelöst werden können.
Grundlagen der Metaheuristik
Autor: Sean Luke
Dies ist ein offener Satz von Vorlesungsskripten zu metaheuristischen Algorithmen, der sich an Studierende, Praktiker, Programmierer und andere Laien richtet.
CIML
Autor: Hal Daumé III
CIML ist eine Reihe von Einführungsmaterialien, die die meisten wichtigen Aspekte des modernen maschinellen Lernens behandeln (überwachtes Lernen, unüberwachtes Lernen, Methoden mit großem Spielraum, probabilistische Modellierung, Lerntheorie usw.).
Dies sind einige von
.jpg)