Linear Algebra with Applications in Machine Learning
From Intuitive Understanding to Python Coding
-
12% KEDVEZMÉNY?
- Kiadói listaár EUR 64.19
-
26 622 Ft (25 355 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 12% (cc. 3 195 Ft off)
- Kedvezményes ár 23 428 Ft (22 312 Ft + 5% áfa)
23 428 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Springer Nature Singapore
- Megjelenés dátuma 2026. május 11.
- ISBN 9789819551668
- Kötéstípus Keménykötés
- Terjedelem404 oldal
- Méret 235x155 mm
- Nyelv angol
- Illusztrációk VIII, 404 p. 91 illus., 87 illus. in color. 700
Kategóriák
Hosszú leírás:
This textbook is a comprehensive, application-driven guide to mastering linear algebra from foundational principles to advanced machine learning applications. Designed for students, researchers, and professionals in AI, data science, and engineering, the book blends mathematical rigor with practical implementation using Python and popular libraries such as NumPy, SciPy, Matplotlib, and scikit-learn.
Starting with vectors and matrices, the text builds toward systems of linear equations, transformations, determinants, eigenvalues, and vector spaces—then extends to orthogonality, matrix factorizations (e.g., SVD, QR, LU), and optimization.
This book is suitable for either beginner aiming to grasp key ML concepts or an advanced learner exploring spectral methods and tensor decompositions, this book serves as a flexible resource, grounded in mathematics, empowered by code.
Tartalomjegyzék:
"
""Introduction to Linear Algebra for Machine Learning"".- ""Vectors"".- ""Matrices"".- ""Tensors"".- ""Linear Systems"".- Linear Transformations"".- ""Determinants"".- ""Eigenvalues and Eigenvectors"".- ""Vector Spaces and Subspaces"".- ""Orthogonality"".- ""Matrix Decompositions: Factorization and SVD"".- ""Optimization and Gradients"".- ""Advanced Topics in Linear Algebra for Machine Learning"".
" Több
