SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

2 wyniki

Książka

W koszyku

Autor

Mount George Kamiński Filip (informatyk)

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Informatycy

Temat

Analiza danych Excel Python (język programowania) R (język programowania) Statystyka matematyczna

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

W książce także ISBN oryginału.

Tytuł oryginału: Advancing into analytics : from Excel to Python and R.

Indeks.

CZĘŚĆ I. PODSTAWY ANALIZY DANYCH W EXCELU (17) 1. Podstawy eksploracyjnej analizy danych (19) Czym jest eksploracyjna analiza danych? (19) Obserwacje (21) Zmienne (21) Przykład: klasyfikacja zmiennych (24) Przypomnienie: typy zmiennych (26) Eksploracja zmiennych w Excelu (26) Eksploracja zmiennych kategorialnych (27) Eksploracja zmiennych ilościowych (29) 2. Podstawy prawdopodobieństwa (41) Prawdopodobieństwo i losowość (41) Prawdopodobieństwo i przestrzeń zdarzeń elementarnych (41) Prawdopodobieństwo i eksperymenty (42) Prawdopodobieństwo bezwarunkowe i warunkowe (42) Rozkłady prawdopodobieństwa (42) Dyskretne rozkłady prawdopodobieństwa (43) Ciągłe rozkłady prawdopodobieństwa (46) 3. Podstawy wnioskowania statystycznego (54) Ramy wnioskowania statystycznego (54) Zbierz reprezentatywną próbkę (55) Sformułuj hipotezy (56) Stwórz plan analizy (57) Przeanalizuj dane (59) Podejmij decyzję (62) To Twój świat... Dane się tylko w nim znajdują (68) 4. Korelacja i regresja (71) Korelacja nie oznacza przyczynowości (71) Wprowadzenie do korelacji (72) Od korelacji do regresji (76) Regresja liniowa w Excelu (78) Zastanówmy się raz jeszcze - pozorne związki (84) 5. Stos analizy danych (87) Statystyka, analiza danych, nauka o danych (87) Statystyka (87) Analiza danych (87) Analityka biznesowa (88) Nauka o danych (88) Uczenie maszynowe (88) Różne, ale nie rozłączne (89) Znaczenie stosu analizy danych (89) Arkusze kalkulacyjne (90) Bazy danych (92) Platformy analityki biznesowej (94) CZĘŚĆ II. Z EXCELA DO R (97) 6. Pierwsze kroki w R dla użytkowników Excela (99) Pobieranie R (99) Pierwsze kroki w RStudio (99) Pakiety w R (108) Aktualizacja pakietów, RStudio i języka R (109) 7. Struktury danych w R (112) Wektory (112) Indeksowanie i wybór elementów z wektorów (114) Od tabel Excela do ramek danych R (115) Importowanie danych w R (117) Eksploracja ramki danych (120) Indeksowanie i wybór elementów z ramek danych (122) Zapisywanie ramek danych (123) 8. Przetwarzanie i wizualizacja danych w R (125) Przetwarzanie danych za pomocą dplyr (126) Operacje kolumnowe (126) Operacje wierszowe (128) Agregacja i łączenie danych (131) dplyr i potęga operatora potoku (%>%) (133) Przekształcanie danych za pomocą tidyr (135) Wizualizacja danych w ggplot2 (137) 9. R w analizie danych (143) Eksploracyjna analiza danych (144) Testowanie hipotez (147) Test t-Studenta dla prób niezależnych (148) Regresja liniowa (150) Podział na zbiór uczący i testowy, walidacja (151) CZĘŚĆ III. Z EXCELA DO PYTHONA (155) 10. Pierwsze kroki w Pythonie dla użytkowników Excela (157) Pobieranie Pythona (157) Pierwsze kroki z Jupyterem (158) Moduły w Pythonie (166) Aktualizacja pakietów, Anacondy i Pythona (167) 11. Struktury danych w Pythonie (169) Tablice NumPy (170) Indeksowanie i wybieranie elementów z tablic NumPy (171) Ramki danych pandas (172) Importowanie danych w Pythonie (174) Eksploracja ramki danych (175) Indeksowanie i pobieranie wartości z ramek danych (177) Zapis ramek danych (178) 12. Przetwarzanie i wizualizacja danych w Pythonie (179) Operacje kolumnowe (180) Operacje wierszowe (182) Agregacja i łączenie danych (183) Przekształcanie danych (185) Wizualizacja danych (186) 13. Python w analizie danych (193) Eksploracyjna analiza danych (194) Testowanie hipotez (196) Test t-Studenta dla prób niezależnych (196) Regresja liniowa (197) Podział zbioru na zbiór treningowy i testowy oraz walidacja modelu (198) 14. Wnioski i kolejne kroki (201) Kolejne warstwy stosu (201) Projektowanie badań i eksperymenty biznesowe (201) Inne metody statystyczne (202) Nauka o danych i uczenie maszynowe (202) Kontrola wersji (202) Etyka (203) Idź naprzód i ciesz się danymi (203)

Sygnatura czytelni BWEAiI: XII Ł 203

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 152068 N (1 egz.)

Książka

W koszyku

Matematyka dyskretna dla praktyków : algorytmy i uczenie maszynowe w Pythonie / Ryan T. White, Archana Tikayat Ray ; przekład: Filip Kamiński. - Gliwice : Helion, copyright 2022. - 270, [2] strony : ilustracje, wykresy ; 24 cm.

Autor

White Ryan T. Ray Archana Tikayat Kamiński Filip (informatyk)

Forma i typ

Książki Publikacje dydaktyczne

Temat

Algorytmy Matematyka dyskretna Programowanie (informatyka) Python (język programowania) Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

W książce także ISBN oryginału.

Część I. Podstawowe pojęcia z obszaru matematyki dyskretnej Część II. Zastosowania matematyki dyskretnej w analizie danych i informatyce Część III. Praktyczne zastosowania matematyki dyskretnej Co zrobić, aby jak najlepiej wykorzystać tę książkę Kody źródłowe Konwencje typograficzne przyjęte w tej książce I. Podstawowe pojęcia z obszaru matematyki dyskretnej 1. Podstawowe pojęcia, notacja, teoria mnogości, relacje i funkcje Czym jest matematyka dyskretna? Podstawowa teoria mnogości Definicja zbiory i ich notacja Definicja elementy zbiorów Definicja zbiór pusty Przykład kilka przykładowych zbiorów Definicja podzbiory i nadzbiory Definicja notacja konstrukcji zbiorów Przykład użycie notacji konstrukcji zbiorów Definicja podstawowe operacje na zbiorach Definicja zbiory rozłączne Przykład liczby parzyste i nieparzyste Twierdzenie prawa De Morgana Dowód Przykład prawo De Morgana Definicja moc zbioru Przykład moce zbiorów Funkcje i relacje Definicja relacje, dziedziny i przeciwdziedziny Definicja funkcje Przykłady relacje kontra funkcje Przykład funkcje w algebrze elementarnej Przykład funkcje w Pythonie i funkcje matematyczne 2. Logika formalna i dowody matematyczne Logika formalna i dowodzenie za pomocą tablic prawdy Podstawy terminologii stosowanej w logice formalnej Przykład niepoprawny argument Przykład wszystkie pingwiny mieszkają w RPA! Podstawowe idee logiki formalnej Tablice prawdy Przykład implikacja odwrotna Przykład prawo przechodniości implikacji Przykład prawa De Morgana Przykład implikacja przeciwstawna Dowody wprost Przykład iloczyn parzystych i nieparzystych liczb całkowitych Przykład pierwiastki liczb parzystych Skrócenie dowodu za pomocą implikacji przeciwstawnej Dowody nie wprost Przykład czy istnieje najmniejsza dodatnia liczba wymierna? Przykład dowód, że 2 jest liczbą niewymierną Przykład ile jest liczb pierwszych? Dowodzenie przez indukcję matematyczną Przykład suma 1+2+...+n Przykład kształty wypełniające przestrzeń Przykład wzrost wykładniczy a wzrost w tempie silni 3. Obliczenia w systemach o podstawie n Zrozumieć liczby o podstawie n Przykład liczby dziesiętne Definicja liczby o podstawie n Konwersje między różnymi podstawami Konwersja liczb o podstawie n na liczby dziesiętne Przykład wartość dziesiętna liczby o podstawie 6 Konwersja z zapisu dziesiętnego na system o podstawie n Przykład konwersja liczby dziesiętnej na liczbę binarną (podstawa 2) Przykład konwersje z systemu dziesiętnego na binarny i szesnastkowy w Pythonie Liczby binarne i ich zastosowania Algebra Boolea Operator AND Operator OR Operator NOT Przykład użytkownicy Netfliksa Liczby szesnastkowe i ich zastosowanie Przykład położenie obiektów w pamięci komputera Przykład wyświetlanie komunikatów o błędach Przykład adresy MAC Przykład kolory w sieci 4. Kombinatoryka z użyciem SciPy Podstawy zliczania Definicja iloczyn kartezjański Twierdzenie moc iloczynów kartezjańskich zbiorów skończonych Definicja iloczyn kartezjański n zbiorów Twierdzenie reguła mnożenia Przykład bajty Przykład kolory w komputerze Permutacje i kombinacje obiektów Definicja permutacja Przykład permutacje prostego zbioru Twierdzenie permutacje zbioru Przykład playlista Wzrost w tempie silni Twierdzenie wariacja bez powtórzeń Definicja kombinacja Przykład kombinacje kontra permutacje prostego zbioru Twierdzenie kombinacje ze zbioru Współczynniki dwumianowe Przykład tworzenie zespołu Przykład kombinacje kul Alokacja pamięci Przykład wstępne przydzielanie pamięci Skuteczność algorytmów siłowych Przykład szyfr Cezara Przykład problem komiwojażera 5. Elementy prawdopodobieństwa dyskretnego Definicja doświadczenie losowe Definicje zdarzenia elementarne, zdarzenia losowe, przestrzenie prób Przykład rzut monetą Przykład rzut wieloma monetami Definicja miara probabilistyczna Twierdzenie podstawowe własności prawdopodobieństwa Dowód Przykład sport Twierdzenie monotoniczność Dowód Twierdzenie zasada włączeń i wyłączeń Dowód Definicja rozkład jednostajny Twierdzenie obliczanie prawdopodobieństwa Dowód Przykład rzut wieloma monetami Definicja zdarzenia niezależne Przykład rzucanie wieloma monetami Prawdopodobieństwo warunkowe i twierdzenie Bayesa Definicja prawdopodobieństwo warunkowe Przykład temperatury i opady Twierdzenie reguły mnożenia Dowód Twierdzenie twierdzenie o prawdopodobieństwie całkowitym Dowód Twierdzenie twierdzenie Bayesa Dowód Bayesowski filtr antyspamowy Zmienne losowe, średnie i wariancja Definicja zmienna losowa Przykład błędy przesyłania danych Przykład empiryczna zmienna losowa Definicja wartość oczekiwana Przykład empiryczna zmienna losowa Definicja wariancja i odchylenie standardowe Twierdzenie obliczanie wariancji w praktyce Dowód Przykład empiryczna zmienna losowa Google PageRank (część I) II. Zastosowania matematyki dyskretnej w analizie danych i informatyce 6. Algorytmy algebry liniowej Zrozumieć układy równań liniowych Definicja równanie liniowe dwóch zmiennych Definicja kartezjański układ współrzędnych Przykład równanie liniowe Definicja układ dwóch równań liniowych dwóch zmiennych Przykład układ oznaczony Przykład układ sprzeczny Przykład układ nieoznaczony Definicja układy równań liniowych i ich rozwiązania Definicja układy oznaczone, sprzeczne i nieoznaczone Macierze i macierzowe reprezentacje układów równań liniowych Definicja macierze i wektory Definicja dodawanie i odejmowanie macierzy Definicja mnożenie przez skalar Definicja transpozycja macierzy Definicja iloczyn skalarny wektorów Definicja mnożenie macierzy Przykład ręczne mnożenie macierzy i mnożenie macierzy w NumPy Rozwiązywanie małych układów równań liniowych za pomocą metody eliminacji Gaussa Definicja współczynnik wiodący Definicja zredukowana macierz schodkowa Przykład układ oznaczony z macierzą schodkową Przykład układ sprzeczny z macierzą schodkową Przykład układ nieoznaczony z macierzą schodkową Algorytm eliminacja Gaussa Przykład układ 3 równań liniowych z 3 niewiadomymi Rozwiązywanie dużych układów równań liniowych za pomocą NumPy Przykład układ 3 równań z 3 niewiadomymi (NumPy) Przykład sprzeczne i nieoznaczone układy równań w NumPy Przykład układ 10 równań z 10 niewiadomymi (NumPy) 7. Złożoność algorytmów Złożoność obliczeniowa algorytmów Notacja dużego O Kiedy stałe mają znaczenie? Złożoność algorytmów zawierających podstawowe instrukcje sterujące Przepływ sekwencyjny Przepływ warunkowy Pętla Złożoność popularnych algorytmów wyszukiwania Algorytm wyszukiwania liniowego Czym jest funkcja w Pythonie? Algorytm wyszukiwania binarnego Popularne klasy złożoności obliczeniowej 8. Przechowywanie i wyodrębnianie cech z grafów, drzew i sieci Zrozumieć grafy, drzewa i sieci Definicja graf Definicja stopień wierzchołka Przykład stopnie wierzchołków Twierdzenie suma stopni wierzchołków Definicja ścieżki Definicja cykle Definicja drzewa lub grafy acykliczne Definicja sieci Definicja grafy skierowane Definicja sieci skierowane Przykład sieć skierowana Definicja wierzchołki sąsiednie Definicja grafy i składowe spójne Zastosowania grafów, drzew i sieci Przechowywanie grafów i sieci Definicja lista sąsiedztwa Definicja macierz sąsiedztwa Przykład lista sąsiedztwa i macierz sąsiedztwa Przykład macierz sąsiedztwa niespójnego grafu Definicja macierz sąsiedztwa dla grafu skierowanego Przykład macierz sąsiedztwa dla grafu skierowanego Przykład przechowywanie macierzy sąsiedztwa w Pythonie Wydajne przechowywanie danych sąsiedztwa Definicja macierz wag sieci Przykład macierz wag sieci Definicja macierz wag sieci skierowanej Przykład macierz wag sieci skierowanej Przykład przechowywanie macierzy wag w Pythonie Wyodrębnianie cech z grafów Stopnie wierzchołków w grafie Liczba ścieżek o określonej długości między wierzchołkami Twierdzenie potęgi macierzy sąsiedztwa Potęgi macierzy w Pythonie Twierdzenie najkrótsza (pod względem liczby krawędzi) ścieżka pomiędzy vi i vj Przykład ścieżki między wierzchołkami grafu z rysunku 8.8 9. Przeszukiwanie struktur danych i znajdowanie najkrótszych ścieżek Przeszukiwanie struktur grafowych i drzew Algorytm przeszukiwania w głąb (DFS) Implementacja algorytmu przeszukiwania w głąb w Pythonie Problem najkrótszej ścieżki i jego warianty Najkrótsze ścieżki w sieciach Inne zastosowania najkrótszych ścieżek Definicja problemu najkrótszej ścieżki Sprawdzenie, czy istnieje rozwiązanie Znajdowanie najkrótszych ścieżek metodą siłową Algorytm Dijkstry znajdowania najkrótszych ścieżek Algorytm Dijkstry Algorytm Dijkstry zastosowany do małego problemu Implementacja algorytmu Dijkstry w Pythonie Przykład najkrótsze ścieżki Przykład sieć bez połączenia III. Praktyczne zastosowania matematyki dyskretnej 10. Analiza regresji za pomocą NumPy i scikit-learn Zbiór danych Linie najlepszego dopasowania i metoda najmniejszych kwadratów Zmienne Zależność liniowa Regresja Linia najlepszego dopasowania Metoda najmniejszych kwadratów i suma kwadratów błędów Dopasowywanie prostej metodą najmniejszych kwadratów w NumPy Dopasowywanie krzywych metodą najmniejszych kwadratów z użyciem NumPy i SciPy Dopasowanie płaszczyzn metodą najmniejszych kwadratów z użyciem NumPy i SciPy 11. Wyszukiwanie w sieci za pomocą algorytmu PageRank Rozwój wyszukiwarek na przestrzeni lat Google PageRank (część II) Implementacja algorytmu PageRank w Pythonie Zastosowanie algorytmu na danych rzeczywistych 12. Analiza głównych składowych za pomocą scikit-learn Wartości i wektory własne, bazy ortogonalne Redukcja wymiarowości za pomocą analizy głównych składowych Implementacja metody PCA z scikit-learn Zastosowanie metody PCA na rzeczywistych danych

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 153854 N, 153855 N (2 egz.)