Wahrscheinlichkeitsrechnung und Statistik für die Datenwissenschaft: Mathematik + R + Daten

Bewertung:   (4,2 von 5)

Wahrscheinlichkeitsrechnung und Statistik für die Datenwissenschaft: Mathematik + R + Daten (Norman Matloff)

Leserbewertungen

Zusammenfassung:

Das Buch wird wegen seines praktischen Ansatzes bei der Vermittlung von Kodierungs- und Statistikkonzepten sehr geschätzt und eignet sich daher sowohl für den Selbstunterricht als auch als Lehrbuch für Kurse. Es bietet nützliche Übungen und klare Erklärungen, insbesondere in den Bereichen Datenwissenschaft und Wahrscheinlichkeitsrechnung.

Vorteile:

Effektiv für Selbststudium und Unterricht.
Umfassende Wiederholung der statistischen Konzepte neben der Kodierung.
Gute Organisation der Übungen (mathematische und rechnerische Probleme).
Klare Erklärungen und praktische Beispiele.
Geringfügige Tippfehler, die auf ein gutes Lektorat hinweisen.

Nachteile:

Einige Beispiele wirken losgelöst von den Anwendungen.
Einige wenige Tippfehler, wenn auch meist geringfügige, wurden festgestellt.

(basierend auf 3 Leserbewertungen)

Originaltitel:

Probability and Statistics for Data Science: Math + R + Data

Inhalt des Buches:

Probability and Statistics for Data Science: Math + R + Data deckt „Mathe-Statistik“ ab - Verteilungen, Erwartungswert, Schätzung usw. -, nimmt aber den Ausdruck „Data Science“ im Titel sehr ernst:

* Echte Datensätze werden ausgiebig verwendet.

* Alle Datenanalysen werden durch R-Kodierung unterstützt.

* Enthält viele Data Science-Anwendungen, wie PCA, Mischverteilungen, Zufallsgraphenmodelle, Hidden Markov-Modelle, lineare und logistische Regression und neuronale Netze.

* Führt den Schüler dazu, kritisch über das „Wie“ und „Warum“ der Statistik nachzudenken und das „große Ganze“ zu sehen.

* Nicht „theorem-/beweisorientiert“, sondern Konzepte und Modelle werden mathematisch präzise dargestellt.

Voraussetzungen sind Kalkül, etwas Matrizenalgebra und etwas Erfahrung in der Programmierung.

Norman Matloff ist Professor für Informatik an der University of California, Davis, und war dort früher Professor für Statistik. Er ist Mitglied des Redaktionsausschusses des Journal of Statistical Software und des The R Journal. Sein Buch Statistical Regression and Classification: From Linear Models to Machine Learning wurde 2017 mit dem Ziegel Award für das beste in Technometrics rezensierte Buch ausgezeichnet. Er wurde mit dem Distinguished Teaching Award seiner Universität ausgezeichnet.

Weitere Daten des Buches:

ISBN:9781138393295
Autor:
Verlag:
Einband:Taschenbuch
Erscheinungsjahr:2019
Seitenzahl:412

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Die Kunst der R-Programmierung: Ein Rundgang durch das Design statistischer Software - The Art of R...
R ist die weltweit beliebteste Sprache für die...
Die Kunst der R-Programmierung: Ein Rundgang durch das Design statistischer Software - The Art of R Programming: A Tour of Statistical Software Design
Wahrscheinlichkeitsrechnung und Statistik für die Datenwissenschaft: Mathematik + R + Daten -...
Probability and Statistics for Data Science: Math +...
Wahrscheinlichkeitsrechnung und Statistik für die Datenwissenschaft: Mathematik + R + Daten - Probability and Statistics for Data Science: Math + R + Data
Die Kunst des maschinellen Lernens: Ein praktischer Leitfaden zum maschinellen Lernen mit R - The...
Lernen Sie mit diesem praktischen Leitfaden, eine...
Die Kunst des maschinellen Lernens: Ein praktischer Leitfaden zum maschinellen Lernen mit R - The Art of Machine Learning: A Hands-On Guide to Machine Learning with R

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht:

© Book1 Group - Alle Rechte vorbehalten.
Der Inhalt dieser Seite darf weder teilweise noch vollständig ohne schriftliche Genehmigung des Eigentümers kopiert oder verwendet werden.
Letzte Änderung: 2024.11.13 22:11 (GMT)