Matematyka
Data science od podstaw. Analiza danych w Pythonie
Joel Grus
Współczesne ogromne zbiory danych zawierają odpowiedzi na prawie każde pytanie. Równocześnie nauka o danych jest dziedziną, która cokolwiek onieśmiela. Znajduje się gdzieś pomiędzy subtelnymi umiejętnościami hakerskimi, twardą wiedzą z matematyki i statystyki a merytoryczną znajomością zagadnień z danej branży. Co więcej, dziedzina ta niezwykle dynamicznie się rozwija. Trud włożony w naukę o danych niewątpliwie się jednak opłaca: biegły analityk danych może liczyć na dobrze płatną, inspirującą i bardzo atrakcyjną pracę. Dzięki tej książce opanujesz najważniejsze zagadnienia związane z matematyką i statystyką, będziesz także rozwijać umiejętności hakerskie. W ten sposób zyskasz podstawy pozwalające na rozpoczęcie przygody z analizą danych. Gruntownie zapoznasz się z potrzebnymi narzędziami i algorytmami. Pozwoli Ci to lepiej zrozumieć ich działanie. Poszczególne przykłady, którymi zilustrowano omawiane zagadnienia, są przejrzyste, dobrze opisane i zrozumiałe. Podczas lektury książki poznasz biblioteki, które umożliwią zaimplementowanie omówionych technik podczas analizy dużych zbiorów danych. Szybko się przekonasz, że aby zostać analitykiem danych, wystarczy odrobina ciekawości, sporo chęci, mnóstwo ciężkiej pracy i... ta książka. Najważniejsze zagadnienia: Praktyczne wprowadzenie do Pythona Podstawy algebry liniowej, statystyki i rachunku prawdopodobieństwa w analizie danych Podstawy uczenia maszynowego Implementacje algorytmów modeli, w tym naiwny klasyfikator bayesowski, regresja liniowa, regresja logistyczna, drzewa decyzyjne, sieci neuronowe i grupowanie, MapReduce Systemy rekomendacji i mechanizmy przetwarzania języka naturalnego Korzystanie z mediów społecznościowych i baz danych. Python. Wyciśniesz z danych każdą kroplę wiedzy!
Data science od podstaw. Analiza danych w Pythonie. Wydanie II
Joel Grus
Analityka danych jest uważana za wyjątkowo obiecującą dziedzinę wiedzy. Rozwija się błyskawicznie i znajduje coraz to nowsze zastosowania. Profesjonaliści biegli w eksploracji danych i wydobywaniu z nich pożytecznych informacji mogą liczyć na interesującą pracę i bardzo atrakcyjne warunki zatrudnienia. Jednak aby zostać analitykiem danych, trzeba znać matematykę i statystykę, a także nauczyć się programowania. Umiejętności w zakresie uczenia maszynowego i uczenia głębokiego również są ważne. W przypadku tak specyficznej dziedziny, jaką jest nauka o danych, szczególnie istotne jest zdobycie gruntownych podstaw i dogłębne ich zrozumienie. W tym przewodniku opisano zagadnienia związane z podstawami nauki o danych. Wyjaśniono niezbędne elementy matematyki i statystyki. Przedstawiono także techniki budowy potrzebnych narzędzi i sposoby działania najistotniejszych algorytmów. Książka została skonstruowana tak, aby poszczególne implementacje były jak najbardziej przejrzyste i zrozumiałe. Zamieszczone tu przykłady napisano w Pythonie: jest to język dość łatwy do nauki, a pracę na danych ułatwia szereg przydatnych bibliotek Pythona. W drugim wydaniu znalazły się nowe tematy, takie jak uczenie głębokie, statystyka i przetwarzanie języka naturalnego, a także działania na ogromnych zbiorach danych. Zagadnienia te często pojawiają się w pracy współczesnego analityka danych. W książce między innymi: elementy algebry liniowej, statystyki i rachunku prawdopodobieństwa zbieranie, oczyszczanie i eksploracja danych algorytmy modeli analizy danych podstawy uczenia maszynowego systemy rekomendacji i przetwarzanie języka naturalnego analiza sieci społecznościowych i algorytm MapReduce Nauka o danych: bazuj na solidnych podstawach!
Vitor Cerqueira, Luís Roque
Most organizations exhibit a time-dependent structure in their processes, including fields such as finance. By leveraging time series analysis and forecasting, these organizations can make informed decisions and optimize their performance. Accurate forecasts help reduce uncertainty and enable better planning of operations. Unlike traditional approaches to forecasting, deep learning can process large amounts of data and help derive complex patterns. Despite its increasing relevance, getting the most out of deep learning requires significant technical expertise.This book guides you through applying deep learning to time series data with the help of easy-to-follow code recipes. You’ll cover time series problems, such as forecasting, anomaly detection, and classification. This deep learning book will also show you how to solve these problems using different deep neural network architectures, including convolutional neural networks (CNNs) or transformers. As you progress, you’ll use PyTorch, a popular deep learning framework based on Python to build production-ready prediction solutions.By the end of this book, you'll have learned how to solve different time series tasks with deep learning using the PyTorch ecosystem.
Dr. Amita Kapoor, Antonio Gulli, Sujit Pal
Deep Learning with TensorFlow and Keras teaches you neural networks and deep learning techniques using TensorFlow (TF) and Keras. You'll learn how to write deep learning applications in the most powerful, popular, and scalable machine learning stack available.TensorFlow 2.x focuses on simplicity and ease of use, with updates like eager execution, intuitive higher-level APIs based on Keras, and flexible model building on any platform. This book uses the latest TF 2.0 features and libraries to present an overview of supervised and unsupervised machine learning models and provides a comprehensive analysis of deep learning and reinforcement learning models using practical examples for the cloud, mobile, and large production environments.This book also shows you how to create neural networks with TensorFlow, runs through popular algorithms (regression, convolutional neural networks (CNNs), transformers, generative adversarial networks (GANs), recurrent neural networks (RNNs), natural language processing (NLP), and graph neural networks (GNNs)), covers working example apps, and then dives into TF in production, TF mobile, and TensorFlow with AutoML.
Domowe lekcje matematyki. Klasy 4-6
Danuta Zaremba
Twoje dziecko wreszcie zrozumie matematykę! Matematyka nie jest łatwa, wielu uczniów uważa ją za najtrudniejszy przedmiot w szkole. Nierzadko sprawia problemy także tym, którzy jej uczą - nie jest łatwo przygotować lekcje tak, aby uczynić zrozumiałym to, co zrozumieć trudno. Autorka tej książki sama się o tym przekonała, gdy pracowała jako nauczycielka. Teraz dzieli się swoimi pomysłami, jak efektywnie uczyć matematyki w szkole podstawowej. Zawarty w proponowanych scenariuszach lekcji materiał nauczania jest określony podstawą programową nauczania matematyki w szkole podstawowej. Domowe lekcje matematyki to propozycja dla opiekunów, którzy chcą pomóc dzieciom w zrozumieniu matematyki. Każdej lekcji towarzyszą starannie dobrane do tematu ćwiczenia, za pomocą których autorka pokazuje, w jaki sposób rozmawiać z podopiecznym i jakie pytania mu zadawać, aby dostrzegł istotę omawianego zagadnienia. A w efekcie - zrozumiał matematykę, bo, jak twierdzi francuski filozof Alain Badiou, "bez matematyki jesteśmy ślepi". Arytmetyka liczb naturalnych Długość i kąty Ułamki zwykłe i dziesiętne Trójkąty, czworokąty i wielokąty Bryły Liczby ujemne i dodatnie Elementy algebry Odpowiedzi do zadań dostepne są pod tym linkiem.
Domowe lekcje matematyki. Klasy 7 i 8
Danuta Zaremba
Twoje dziecko wreszcie zrozumie matematykę! Matematyka z natury rzeczy nie jest łatwa. Dla wielu to najtrudniejszy przedmiot w szkole. Sprawia problemy nie tylko uczniom, ale także tym, którzy jej uczą. Niełatwo przygotować lekcje tak, aby uczynić zrozumiałym to, co trudno zrozumieć. Autorka przekonała się o tym w czasie swojej pracy jako nauczycielka, a teraz swoimi pomysłami dzieli się z czytelnikami, proponując scenariusze lekcji w szkole podstawowej. Zgromadzony tu materiał nauczania jest zgodny z podstawą programową nauczania matematyki w szkole podstawowej. Domowe lekcje matematyki to propozycja dla opiekunów, którzy chcą pomóc dzieciom w nauce tego przedmiotu. Każdej lekcji towarzyszą starannie dobrane do danego tematu ćwiczenia, za pomocą których autorka pokazuje, w jaki sposób rozmawiać z podopiecznym i jakie pytania mu zadawać, aby dostrzegł istotę omawianego zagadnienia. A w efekcie - zrozumiał matematykę, bo, jak twierdzi francuski filozof Alain Badiou, „bez matematyki jesteśmy ślepi” Potęgi i pierwiastki Równania i wyrażenia algebraiczne Przystawanie i symetria Twierdzenie Pitagorasa Obwód, pole i objętość Proporcjonalność i obliczenia procentowe Układ współrzędnych na płaszczyźnie Graficzne przedstawianie danych Elementy kombinatoryki i rachunku prawdopodobieństwa Odpowiedzi do zadań dostepne są pod tym linkiem.
Elektrochemiczne metody skaningowe i ich zastosowanie w inżynierii korozyjnej
Julian Kubisztal
Podręcznik omawia elektrochemiczne metody skaningowe i ich zastosowanie w badaniach lokalnych procesów korozyjnych zachodzących na niejednorodnych pod względem chemicznym i fizycznym materiałach. Prezentuje metodę pomiaru lokalnego napięcia kontaktowego sondą Kelvina, metodę pomiaru lokalnego prądu jonowego sondą drgającą, metodę lokalnej elektrochemicznej spektroskopii impedancyjnej oraz metodę elektrochemicznej mikroskopii skaningowej. Charakteryzuje zjawisko powstawania napięcia kontaktowego, różnicy potencjałów na granicy faz metal – roztwór elektrolitu, prądu jonowego nad elektrochemicznie aktywnymi obszarami elektrody, mechanizmy transportu jonów w roztworze elektrolitu, impedancję granicy faz oraz makro- i mikroelektrody. Przedstawia również praktyczne aspekty zastosowania elektrochemicznych metod skaningowych w badaniach lokalnych zjawisk korozyjnych. Zebrane w niniejszym podręczniku informacje będą pomocne w pogłębianiu wiedzy o materiałach i ich właściwościach zarówno przez studentów i doktorantów kierunków technicznych, jak i osoby, które na co dzień zajmują się zagadnieniem korozji elektrochemicznej oraz metodami jej badania.
Elementy logiki matematycznej i metodologii nauk ścisłych (skrypt z wykładów)
Stanisław Jaśkowski
Prezentowany tom stanowi reedycję skryptu wykładów z logiki matematycznej i metodologii nauk ścisłych autorstwa Stanisława Jaśkowskiego (1906-1965), wybitnego polskiego logika i matematyka, reprezentanta Szkoły Lwowsko-Warszawskiej, twórcy m.in. systemów dedukcji naturalnej i logik parakonsystentnych. Skrypt został wydany w 1947 roku na potrzeby studentów matematyki Uniwersytetu Mikołaja Kopernika w Toruniu, z którym Jaśkowski był związany zawodowo przez ostatnie dwadzieścia lat życia. Książka jest oryginalnym, autorskim, niezwykle nowoczesnym ujęciem przedmiotu, w znaczący sposób różniącym się od innych podręczników. To pierwsza praca, w której logika prezentowana jest konsekwentnie w postaci systemu dedukcji naturalnej, co stało się później standardem w dydaktyce logiki. Biorąc pod uwagę, że Jaśkowski w latach trzydziestych XX wieku skonstruował pierwsze systemy tego typu, mamy do czynienia z niezwykle ważnym historycznym świadectwem ich pierwszego wykorzystania w nauczaniu. Wybitne walory dydaktyczne skryptu sprawiają, że jest interesujący dla specjalistów i może być nadal przydatny jako podręcznik logiki, pomimo ponad siedemdziesięciu lat, które upłynęły od jego pierwszego wydania.