لایب سان

Probability for Data Scientists provides students with a mathematically sound yet accessible introduction to the theory and applications of probability. Students learn how probability theory supports statistics, data science, and machine learning theory by enabling scientists to move beyond mere descriptions of data to inferences about specific populations. 

The book is divided into two parts. Part I introduces readers to fundamental definitions, theorems, and methods within the context of discrete sample spaces. It addresses the origin of the mathematical study of probability, main concepts in modern probability theory, univariate and bivariate discrete probability models, and the multinomial distribution. 

Part II builds upon the knowledge imparted in Part I to present students with corresponding ideas in the context of continuous sample spaces. It examines models for single and multiple continuous random variables and the application of probability theorems in statistics. 

Probability for Data Scientists effectively introduces students to key concepts in probability and demonstrates how a small set of methodologies can be applied to a plethora of contextually unrelated problems. It is well suited for courses in statistics, data science, machine learning theory, or any course with an emphasis in probability. Numerous exercises, some of which provide R software code to conduct experiments that illustrate the laws of probability, are provided in each chapter.

Juana Sanchez is a senior lecturer in the Department of Statistics at the University of California, Los Angeles, and DSS editor of the Journal of Statistics Education. She earned her Ph.D. from Washington University in St. Louis, Missouri, and her research interests include statistics indicators, multivariate statistics, STEM education, and time series.

چکیده فارسی

احتمال برای دانشمندان داده به دانش‌آموزان مقدمه‌ای از نظر ریاضی و در عین حال قابل دسترس با نظریه و کاربردهای احتمالات می‌دهد. دانش‌آموزان می‌آموزند که چگونه نظریه احتمال از آمار، علم داده و نظریه یادگیری ماشین پشتیبانی می‌کند و دانشمندان را قادر می‌سازد تا فراتر از توصیف داده‌ها به استنتاج درباره جمعیت‌های خاص حرکت کنند.

کتاب به دو قسمت تقسیم شده است. بخش اول خوانندگان را با تعاریف، قضایا و روش‌های اساسی در چارچوب فضاهای نمونه گسسته آشنا می‌کند. این به منشا مطالعه ریاضی احتمال، مفاهیم اصلی در نظریه احتمال مدرن، مدل‌های احتمال گسسته تک متغیره و دو متغیره، و توزیع چند جمله‌ای می‌پردازد.

بخش دوم بر دانش افاضه شده در قسمت اول استوار است تا ایده های مربوطه را در زمینه فضاهای نمونه پیوسته به دانش آموزان ارائه دهد. این مدل‌ها را برای متغیرهای تصادفی پیوسته منفرد و چندگانه و کاربرد قضایای احتمال در آمار بررسی می‌کند.

احتمال برای دانشمندان داده به طور مؤثری دانش‌آموزان را با مفاهیم کلیدی احتمال آشنا می‌کند و نشان می‌دهد که چگونه مجموعه کوچکی از روش‌ها را می‌توان برای انبوهی از مسائل غیرمرتبط با زمینه به کار برد. این برای دوره های آمار، علم داده، تئوری یادگیری ماشین یا هر دوره ای با تاکید بر احتمال مناسب است. تمرین‌های متعددی که برخی از آنها کد نرم‌افزار R را برای انجام آزمایش‌هایی که قوانین احتمالات را نشان می‌دهند ارائه می‌کنند، در هر فصل ارائه شده‌اند.

خوانا سانچز یک مدرس ارشد در گروه آمار در دانشگاه کالیفرنیا، لس آنجلس، و سردبیر DSS Journal of Statistics Education است. او دکترای خود را به دست آورد. از دانشگاه واشنگتن در سنت لوئیس، میسوری، و علایق تحقیقاتی او شامل شاخص های آمار، آمار چند متغیره، آموزش STEM، و سری های زمانی است.