Probabilistic Data-Driven Modeling
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár GBP 54.99
-
27 830 Ft (26 505 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) 10% (cc. 2 783 Ft off)
- Discounted price 25 047 Ft (23 855 Ft + 5% áfa)
27 830 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 Cambridge University Press
- Megjelenés dátuma 2025. március 31.
- ISBN 9781009221856
- Kötéstípus Keménykötés
- Terjedelem420 oldal
- Nyelv angol 700
Kategóriák
Rövid leírás:
A probabilistic data-driven modeling toolbox to help students and researchers characterize, classify and model real complex systems.
TöbbHosszú leírás:
This book introduces relevant and established data-driven modeling tools currently in use or in development, which will help readers master the art and science of constructing models from data and dive into different application areas. It presents statistical tools useful to individuate regularities, discover patterns and laws in complex datasets, and demonstrates how to apply them to devise models that help to understand these systems and predict their behaviors. By focusing on the estimation of multivariate probabilities, the book shows that the entire domain, from linear regressions to deep learning neural networks, can be formulated in probabilistic terms. This book provides the right balance between accessibility and mathematical rigor for applied data science or operations research students, graduate students in CSE, and machine learning and uncertainty quantification researchers who use statistics in their field. Background in probability theory and undergraduate mathematics is assumed.
'I really enjoyed reading this book. It offers an expansive tour to the realm of probabilistic data-driven systems modeling, as well as an easily accessible reference for those, such as students, researchers and practitioners, aiming to understand the nature and behaviors of complex systems, as often encountered in the real world.' Jiming Liu, Hong Kong Baptist University
Tartalomjegyzék:
List of symbols; Preface; Part I. Preliminary: 1. Introduction; 2. Fundamentals of Probability; 3. Fundamentals of machine learning; 4. Fundamentals of networks; Part II. Foundations of Probabilistic Modeling: 5. Univariate probabilities; 6. Multivariate probabilities; 7. Entropies; 8. Dependence; 9. Stochastic processes and scaling laws; 10. Causation; 11. Networks as representations of complex systems; 12. Probabilistic modeling with network representations; Part III. Model Construction from Data: 13. Nonparametric estimation of univariate probabilities from data; 14. Parametric estimation of univariate probabilities from data; 15. Estimation of multivariate probabilities from data; 16. Time series and probabilistic modeling; 17. Construction of network representations from data; 18. Assessing the goodness of models; Part IV. Closing: 19. Conclusions; Part V. Appendices: Appendix A. Essentials on probability theory; Appendix B. Finding roots of non-linear equations; Appendix C. Some optimization problems and methods; Appendix D. Principal components analysis; Appendix E. Random forest; Appendix F. Expectation maximization (EM); Appendix G. Bad modeling; References; Index.
Több
