Andere Kunden interessierten sich auch für
![Künstliche Intelligenz und Data Science in Theorie und Praxis]( "Künstliche Intelligenz und Data Science in Theorie und Praxis")
Künstliche Intelligenz und Data Science in Theorie und Praxis54,99 €![Das Zeitalter der Daten]( "Das Zeitalter der Daten")
Das Zeitalter der Daten19,99 €![A First Course in Statistical Learning]( "A First Course in Statistical Learning")
A First Course in Statistical Learning67,99 €![Advances in Data Science and Classification]( "Advances in Data Science and Classification")
Advances in Data Science and Classification77,99 €![Accelerating Discoveries in Data Science and Artificial Intelligence I]( "Accelerating Discoveries in Data Science and Artificial Intelligence I")
Accelerating Discoveries in Data Science and Artificial Intelligence I168,99 €![Supervised and Unsupervised Statistical Data Analysis]( "Supervised and Unsupervised Statistical Data Analysis")
Supervised and Unsupervised Statistical Data Analysis151,99 €![Artificial Intelligence, Big Data and Data Science in Statistics]( "Artificial Intelligence, Big Data and Data Science in Statistics")
Artificial Intelligence, Big Data and Data Science in Statistics136,99 €
Dieses Lehrbuch richtet sich an Studierende der Mathematik ab dem dritten Studienjahr. Basierend auf den mathematischen Grundvorlesungen werden kanonische Themen aus den Bereichen Data Science und Machine Learning durchgenommen. Dabei stehen rigorose Beweise und ein systematisches Verständnis der zugrundeliegenden Ideen im Vordergrund.
Der Text wird abgerundet durch 121 unterrichtserprobte Aufgaben. Behandelte Themen sind u.a. k-nächste Nachbarn, lineare und logistische Regression, Clustering, bestpassende Unterräume, Hauptkomponentenanalyse, Dimensionalitätsreduktion, kollaboratives Filtern, Perzeptron, Support-Vector-Maschinen und neuronale Netze.
Der Text wird abgerundet durch 121 unterrichtserprobte Aufgaben. Behandelte Themen sind u.a. k-nächste Nachbarn, lineare und logistische Regression, Clustering, bestpassende Unterräume, Hauptkomponentenanalyse, Dimensionalitätsreduktion, kollaboratives Filtern, Perzeptron, Support-Vector-Maschinen und neuronale Netze.
... Als Grundlage eines entsprechenden Bachelorkurses liefert das Buch einen guten Startpunkt für aufbauende Veranstaltungen, die dann die einzelnen Themenblöcke vertiefen können. Durch die Vielzahl an Übungen und weiterführender Literatur unterstützt es dabei sowohl die interessierten Studenten beim Selbststudium als auch Dozenten bei der Kursplanung und -vorbereitung. (Johannes Maly, in: Mathematische Semesterberichte, Jg. 72, Heft 2, 2025)