Mathe-Basics für Data Scientists

• Dieses Buch richtet sich an angehende und fortgeschrittene Data Scientists sowie Programmierer*innen, die sich die mathematischen Grundlagen der Data Science aneignen wollen
• Besonders gut nachvollziehbar durch minimale mathematische Fachterminologie, praxisnahe Beispiele und zahlreiche Abbildungen
• Mit Übungen und Lösungen, um das Gelernte zu vertiefen
• Für Studium und Beruf

---

Frischen Sie Ihre Mathematik-Kenntnisse für Datenanalysen, Machine Learning und Neuronale Netze auf!

Um als Data Scientist erfolgreich zu sein, müssen Sie über ein solides mathematisches Grundwissen verfügen. Dieses Buch bietet einen klaren, leicht verständlichen Überblick über die Mathematik, die Sie in der Data Science benötigen.

Thomas Nield führt Sie Schritt für Schritt durch Bereiche wie Infinitesimal- und Wahrscheinlichkeitsrechnung, lineare Algebra, Statistik und Hypothesentests und zeigt Ihnen, wie diese beispielsweise in der linearen und logistischen Regression und in Neuronalen Netzen eingesetzt werden.

Praktische Codebeispiele in Python und der Einsatz von Bibliotheken wie SymPy, NumPy und scikit-learn helfen Ihnen nachzuvollziehen, wie die mathematischen Konzepte auf Ihre Arbeit anwendbar sind. Sie bekommen ein Grundverständnis dafür, wie die Algorithmen unter der Haube funktionieren, und können sie mit Anwendungen wie dem maschinellen Lernen verknüpfen.

In einem Exkurs beschreibt Thomas Nield außerdem, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse weiter optimieren können, um auf dem Data-Science-Arbeistmarkt zu überzeugen.

• Verwenden Sie Python-Code und Bibliotheken wie SymPy, NumPy und scikit-learn, um grundlegende mathematische Konzepte wie Infinitesimalrechnung, lineare Algebra, Statistik und maschinelles Lernen zu erkunden
• Verstehen Sie Techniken wie lineare und logistische Regression und neuronale Netze durch gut nachvollziehbare Erklärungen und ein Minimum an mathematischer Terminologie
• Wenden Sie deskriptive Statistik und Hypothesentests auf einen Datensatz an, um p-Werte und statistische Signifikanz zu interpretieren
• Manipulieren Sie Vektoren und Matrizen und führen Sie Matrixzerlegung durch
• Vertiefen Sie Ihre Kenntnisse in Infinitesimal- und Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra und wenden Sie sie auf Regressionsmodelle einschließlich neuronaler Netze an
• Erfahren Sie, wie Sie Ihre Kenntnisse und Fähigkeiten in der Datenanalyse optimieren und gängige Fehler vermeiden, um auf dem Data-Science-Arbeitsmarkt zu überzeugen

Zielgruppe:

• Data Scientists: Einsteiger*innen und Fortgeschrittene
• Programmierer*innen, die sich Grundlagen der Data Science aneignen wollen