• Produktbild: Mathematische Einführung in Data Science
  • Produktbild: Mathematische Einführung in Data Science

Mathematische Einführung in Data Science

69,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.01.2024

Abbildungen

IX, mit 118 Abbildungen

Verlag

Springer Berlin

Seitenzahl

303

Maße (L/B/H)

23,5/15,5/1,8 cm

Gewicht

482 g

Auflage

1. Auflage 2023

Sprache

Deutsch

ISBN

978-3-662-68696-6

Beschreibung

Rezension

“... Als Grundlage eines entsprechenden Bachelorkurses liefert das Buch einen guten Startpunkt für aufbauende Veranstaltungen, die dann die einzelnen Themenblöcke vertiefen können. Durch die Vielzahl an Übungen und weiterführender Literatur unterstützt es dabei sowohl die interessierten Studenten beim Selbststudium als auch Dozenten bei der Kursplanung und -vorbereitung.” (Johannes Maly, in: Mathematische Semesterberichte, Jg. 72, Heft 2, 2025)

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.01.2024

Abbildungen

IX, mit 118 Abbildungen

Verlag

Springer Berlin

Seitenzahl

303

Maße (L/B/H)

23,5/15,5/1,8 cm

Gewicht

482 g

Auflage

1. Auflage 2023

Sprache

Deutsch

ISBN

978-3-662-68696-6

Herstelleradresse

Spektrum-Akademischer Vlg
Slevogtstraße 3-5
69126 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Weitere Artikel findest du in

  • Produktbild: Mathematische Einführung in Data Science
  • Produktbild: Mathematische Einführung in Data Science
  • Vorwort.- 1 Was ist Data (Science)?.- 2 Affin-lineare, polynomiale und logistische Regression.- 3 k-nächste Nachbarn.- 4 Clustering.- 5 Graphenclustering.- 6 Bestpassende Unterräume.- 7 Singulärwertzerlegung.- 8 Fluch und Segen der hohen Dimension.- 9 Maßkonzentration.- 10 Gaußsche Zufallsvektoren in hohen Dimensionen.- 11 Dimensionalitätsreduktion à la Johnson-Lindenstrauss.- 12 Trennung von Gaußianen und Parameteranpassung.- 13 Perzeptron.- 14 Support-Vector-Maschinen.- 15  Kernmethode.- 16 Neuronale Netze.- 17 Gradientenverfahren für konvexe Funktionen.- A Ausgewählte Resultate der Wahrscheinlichkeitstheorie.- Literaturverzeichnis.- Stichwortverzeichnis.