Big data
Mastering Text Mining with R. Extract and recognize your text data
Avinash Paul, KUMAR ASHISH
Text Mining (or text data mining or text analytics) is the process of extracting useful and high-quality information from text by devising patterns and trends. R provides an extensive ecosystem to mine text through its many frameworks and packages.Starting with basic information about the statistics concepts used in text mining, this book will teach you how to access, cleanse, and process text using the R language and will equip you with the tools and the associated knowledge about different tagging, chunking, and entailment approaches and their usage in natural language processing. Moving on, this book will teach you different dimensionality reduction techniques and their implementation in R. Next, we will cover pattern recognition in text data utilizing classification mechanisms, perform entity recognition, and develop an ontology learning framework. By the end of the book, you will develop a practical application from the concepts learned, and will understand how text mining can be leveraged to analyze the massively available data on social media.
Matematyka dyskretna dla praktyków. Algorytmy i uczenie maszynowe w Pythonie
Ryan T. White, Archana Tikayat Ray
Mimo że osiągnięcia matematyczne stały się podwalinami algorytmiki, wielu inżynierów nie w pełni rozumie reguły matematyki dyskretnej. Nawet jeśli nie stanowi to szczególnego problemu w codziennej pracy, w końcu okazuje się, że matematyka dyskretna jest niezbędna do osiągnięcia prawdziwej biegłości w operowaniu algorytmami i w pracy na danych. Co więcej, znajomość tej dziedziny bardzo ułatwia rozwiązywanie problemów z zakresu uczenia maszynowego. W ten sposób praktyczna biegłość w matematyce zauważalnie poprawia wyniki pracy inżynierów. Ta książka jest kompleksowym wprowadzeniem do matematyki dyskretnej, przydatnym dla każdego, kto chce pogłębić i ugruntować swoje umiejętności informatyczne. W zrozumiały sposób przedstawiono tu metody matematyki dyskretnej i ich zastosowanie w algorytmach i analizie danych, włączając w to techniki uczenia maszynowego. Zaprezentowano również zasady oceny złożoności obliczeniowej algorytmów i używania wyników tej oceny do zarządzania pracą procesora. Omówiono także sposoby przechowywania struktur grafowych, ich przeszukiwania i znajdywania ścieżek między wierzchołkami. Pokazano też, jak wykorzystać przedstawione informacje podczas posługiwania się bibliotekami Pythona, takimi jak scikit-learn i NumPy. W książce między innymi: terminologia i metody matematyki dyskretnej zastosowanie metod matematyki dyskretnej w algorytmach i analizie danych algebra Boole'a i kombinatoryka w podstawowych strukturach algorytmów rozwiązywanie problemów z dziedziny teorii grafów zadania związane z uczeniem maszynowym a matematyka dyskretna Matematyka dyskretna - poznaj, zrozum, zastosuj!
Hala Nelson
Sztuczna inteligencja i technologie oparte na danych są coraz częściej integrowane z istniejącymi systemami i operacjami. Ta tendencja dotyczy licznych branż. Dziś przy budowaniu systemów SI można korzystać z gotowych bibliotek, jeżeli jednak zależy Ci na w pełni świadomym tworzeniu doskonalszych aplikacji, musisz dobrze opanować matematykę leżącą u podstaw sztucznej inteligencji. Nawet jeśli nie darzysz królowej nauk płomiennym uczuciem, dzięki temu kompleksowemu opracowaniu z łatwością poradzisz sobie z jej lepszym poznaniem. Nie znajdziesz tu skomplikowanych teorii naukowych, tylko przystępnie podane koncepcje matematyczne niezbędne do rozwoju w dziedzinie sztucznej inteligencji, w szczególności do praktycznego stosowania najnowocześniejszych modeli. Poznasz takie zagadnienia jak regresja, sieci neuronowe, sieci konwolucyjne, optymalizacja, prawdopodobieństwo, procesy Markowa, równania różniczkowe i wiele innych w ekskluzywnym kontekście sztucznej inteligencji. Książkę docenią pasjonaci nowych technologii, twórcy aplikacji, inżynierowie i analitycy danych, a także matematycy i naukowcy. W książce: wyjaśnienie pojęć z zakresu uczenia maszynowego, inżynierii danych i matematyki ujednolicanie modeli w ramach jednej struktury matematycznej grafy i dane sieciowe eksploracja rzeczywistych danych, zmniejszanie liczby wymiarów i przetwarzanie obrazów korzystanie z modeli w różnych projektach opartych na danych implikacje i ograniczenia sztucznej inteligencji Ta książka w zachwycający sposób sprawia, że matematyka staje się zabawą dla licznych uczestników przyszłości opartej na sztucznej inteligencji! Adri Purkayastha, analityk oceny ryzyka, BNP Paribas O książce w mediach: Eksperyment Myślowy – recenzja książki
Sergiy Suchok
There are many algorithms for data analysis and it’s not always possible to quickly choose the best one for each case. Implementation of the algorithms takes a lot of time. With the help of Mathematica, you can quickly get a result from the use of a particular method, because this system contains almost all the known algorithms for data analysis.If you are not a programmer but you need to analyze data, this book will show you the capabilities of Mathematica when just few strings of intelligible code help to solve huge tasks from statistical issues to pattern recognition. If you're a programmer, with the help of this book, you will learn how to use the library of algorithms implemented in Mathematica in your programs, as well as how to write algorithm testing procedure.With each chapter, you'll be more immersed in the special world of Mathematica. Along with intuitive queries for data processing, we will highlight the nuances and features of this system, allowing you to build effective analysis systems.With the help of this book, you will learn how to optimize the computations by combining your libraries with the Mathematica kernel.
Mercury Learning and Information, C. P. Kothandaraman
This course serves as a comprehensive reference guide for engineers, mathematicians, scientists, and industry professionals, covering essential mathematical formulas and key scientific data. It is divided into two parts: mathematical formulas including algebra, trigonometry, analytic geometry, differential and integral calculus, and vectors; and scientific data covering units, properties of gases, elements, acoustics, materials, thermodynamics, radioactivity, and more.Understanding these concepts is crucial for professionals, providing a solid foundation for their work. The course explains technical terms, theorems, and applicable laws in detail, ensuring clarity and practical understanding. Each chapter provides valuable insights and data fundamental for scientific and engineering applications.Starting with algebra and geometry, the course advances through calculus and vectors, then explores scientific data in various fields. By the end, users will have a thorough reference of critical formulas and data, making it indispensable for students and professionals. This structured approach ensures learners gain both theoretical knowledge and practical applications essential for their careers.
Mathematics for Business. Explore Essential Mathematical Concepts and Techniques for Decision Making
Mercury Learning and Information, Gary Bronson, Richard...
This course provides a comprehensive understanding of quantitative methods essential for economic forecasting, resource allocation, portfolio analysis, inventory management, data-mining, and addressing social and climate challenges. Starting with foundational topics like finite mathematics and the mathematics of finance, it progresses to differential calculus, optimization, and curve fitting. These concepts are vital for solving contemporary business problems.Learners will explore algebra, finite math, finance mathematics, calculus, optimization techniques, and curve fitting, applying these methods to realistic business scenarios. Topics include cash flow, amortization, interest, loans, annuities, revenue/cost models, break-even analysis, inventory control, and econometrics. Each section includes extensive examples and exercises, reinforced by key terms and concepts, making the material accessible and practical.The course begins with basic mathematical concepts and advances through increasingly complex topics. By the end, learners will have the tools to tackle various business problems using quantitative methods, making this course invaluable for anyone in the business field. This structured approach ensures both theoretical knowledge and practical application, preparing learners for real-world challenges.
Tivadar Danka, Santiago Valdarrama
Mathematics of Machine Learning provides a rigorous yet accessible introduction to the mathematical underpinnings of machine learning, designed for engineers, developers, and data scientists ready to elevate their technical expertise. With this book, you’ll explore the core disciplines of linear algebra, calculus, and probability theory essential for mastering advanced machine learning concepts. PhD mathematician turned ML engineer Tivadar Danka—known for his intuitive teaching style that has attracted 100k+ followers—guides you through complex concepts with clarity, providing the structured guidance you need to deepen your theoretical knowledge and enhance your ability to solve complex machine learning problems. Balancing theory with application, this book offers clear explanations of mathematical constructs and their direct relevance to machine learning tasks. Through practical Python examples, you’ll learn to implement and use these ideas in real-world scenarios, such as training machine learning models with gradient descent or working with vectors, matrices, and tensors. By the end of this book, you’ll have gained the confidence to engage with advanced machine learning literature and tailor algorithms to meet specific project requirements.*Email sign-up and proof of purchase required