【干货书】计算机科学离散数学,627页pdf

2020 年 8 月 31 日 专知
【干货书】计算机科学离散数学,627页pdf

越来越多来自不同领域的计算机科学家使用离散数学结构来解释概念和问题。在教学经验的基础上,作者提供了一个容易理解的文本,强调了离散数学的基础及其高级课题。这篇文章展示了如何用清晰的数学语言表达精确的思想。学生发现离散数学在描述计算机科学结构和解决问题方面的重要性。他们还学习如何掌握离散数学将帮助他们发展重要的推理技能,这些技能将在他们的职业生涯中继续发挥作用。



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“DM627” 可以获取《【干货书】计算机科学离散数学,627页pdf》专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
22

相关内容

离散数学(Discrete mathematics)是研究离散量的结构及其相互关系的数学学科,是现代数学的一个重要分支。

机器学习简明指南,不可错过!

A Machine Learning Primer

亚马逊研究科学家Mihail Eric关于机器学习实践重要经验。包括监督学习、机器学习实践、无监督学习以及深度学习。具体为:

监督学习

  • 线性回归
  • 逻辑回归
  • 朴素贝叶斯
  • 支持向量机
  • 决策树
  • K-近邻

机器学习实践

  • 偏差-方差权衡
  • 如何选择模型
  • 如何选择特征
  • 正则化你的模型
  • 模型集成
  • 评价指标

无监督学习

  • 市场篮子分析
  • K均值聚类
  • 主成分分析

深度学习

  • 前向神经网络
  • 神经网络实践
  • 卷积神经网络
  • 循环神经网络
成为VIP会员查看完整内容
0
63

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
109

【导读】纽约大学开设的离散数学课程,这是一门运用于计算机科学的离散数学课程。这只是一门一学期的课程,所以有很多话题是它没有涉及到的,或者没有深入讨论。但我们希望这能给你一个技能的基础,你可以在你需要的时候建立,特别是给你一点数学的成熟——对数学是什么和数学定义和证明如何工作的基本理解。

成为VIP会员查看完整内容
0
83

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
230
小贴士
相关VIP内容
专知会员服务
63+阅读 · 2020年10月5日
专知会员服务
34+阅读 · 2020年9月29日
专知会员服务
126+阅读 · 2020年8月14日
专知会员服务
109+阅读 · 2020年7月29日
专知会员服务
115+阅读 · 2020年7月27日
专知会员服务
142+阅读 · 2020年6月15日
专知会员服务
83+阅读 · 2020年5月26日
【干货书】机器学习Python实战教程,366页pdf
专知会员服务
230+阅读 · 2020年3月17日
专知会员服务
110+阅读 · 2020年3月4日
知识神经元网络 KNN(简介),12页pdf
专知会员服务
9+阅读 · 2019年12月25日
相关论文
Kemal Oksuz,Baris Can Cam,Sinan Kalkan,Emre Akbas
21+阅读 · 2020年3月11日
Attention, please! A Critical Review of Neural Attention Models in Natural Language Processing
Andrea Galassi,Marco Lippi,Paolo Torroni
18+阅读 · 2019年2月4日
Marc Everett Johnson
3+阅读 · 2018年12月18日
Diego Marcheggiani,Laura Perez-Beltrachini
6+阅读 · 2018年10月23日
Elior Sulem,Omri Abend,Ari Rappoport
3+阅读 · 2018年10月11日
Efficient Road Lane Marking Detection with Deep Learning
Ping-Rong Chen,Shao-Yuan Lo,Hsueh-Ming Hang,Sheng-Wei Chan,Jing-Jhih Lin
5+阅读 · 2018年9月11日
Douwe Kiela,Alexis Conneau,Allan Jabri,Maximilian Nickel
5+阅读 · 2018年6月4日
Zhewei Wang,Bibo Shi,Charles D. Smith,Jundong Liu
4+阅读 · 2018年5月15日
Wenhao Jiang,Lin Ma,Xinpeng Chen,Hanwang Zhang,Wei Liu
6+阅读 · 2018年4月3日
Top