
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
راهحلها و تکنیکهای سادهای را کشف کنید که به شما کمک میکنند مفاهیم کاربردی ریاضی مانند احتمال، حسابان و معادلات را با استفاده از کتابخانههای عددی و علمی پایتون پیادهسازی کنید. ویژگیهای کلیدی: حل مسائل پیچیده ریاضی با استفاده از منطق برنامهنویسی و به کمک دستورالعملهای گامبهگام. یادگیری نحوه استفاده از کتابخانههای پایتون برای محاسبات، مدلسازی ریاضی و آمار. کشف تکنیکهای ساده اما مؤثر برای حل معادلات ریاضی و بهکارگیری آنها در آمار دنیای واقعی. پایتون، یکی از محبوبترین زبانهای برنامهنویسی جهان، بستههای قدرتمندی دارد که به شما کمک میکنند مسائل پیچیده ریاضی را به شکلی ساده و کارآمد حل کنید. این قابلیتهای کلیدی به برنامهنویسان کمک میکنند تا با بهرهگیری از دانش ریاضیات محاسباتی، زمینه را برای ساخت برنامههای جذاب در حوزههای مختلفی مانند یادگیری ماشین و علم داده فراهم کنند. این کتاب به شما میآموزد چگونه مسائل مختلف ریاضی از جمله حسابان، احتمال، آمار و علم داده، نظریه گراف، بهینهسازی و هندسه را حل کنید. ابتدا مهارتهای پایه را توسعه میدهید و با بستههای موجود در مجموعه علمی پایتون، از جمله NumPy، SciPy و Matplotlib آشنا میشوید. با پیشروی در کتاب، مباحث پیشرفتهتری مانند حسابان، احتمال و شبکهها (نظریه گراف) را یاد خواهید گرفت. پس از کسب درک خوبی از این مباحث، کاربردهای پایتون را در علم داده و آمار، پیشبینی، هندسه و بهینهسازی کشف خواهید کرد. فصلهای پایانی شما را با مجموعهای از مسائل متفرقه، از جمله کار با فرمتهای خاص داده و تسریع کد آشنا میکنند. در پایان این کتاب، مجموعهای از راهکارهای عملی برنامهنویسی را در اختیار خواهید داشت که میتوانند برای حل طیف وسیعی از مسائل کاربردی در ریاضیات محاسباتی و علم داده استفاده و ویرایش شوند. آنچه خواهید آموخت: آشنایی با بستهها، ابزارها و کتابخانههای پایه در پایتون برای حل مسائل ریاضی. بررسی تکنیکهای مختلفی که به شما در حل مسائل ریاضی محاسباتی کمک میکنند. درک مفاهیم کلیدی ریاضی کاربردی و نحوه بهکارگیری آنها در علوم کامپیوتر. کشف نحوه انتخاب مناسبترین بسته، ابزار یا تکنیک برای حل یک مسئله خاص. پیادهسازی رسم نمودارهای ریاضی پایه، تغییر سبک نمودارها و افزودن برچسب به آنها با استفاده از Matplotlib. تسلط بر نظریه احتمال با استفاده از استنتاج بیزی و روشهای زنجیره مارکوف مونت کارلو (MCMC). این کتاب برای چه کسانی است: این کتاب برای برنامهنویسان حرفهای و دانشجویانی نوشته شده است که میخواهند مسائل ریاضی را به کمک پایتون و به روش محاسباتی حل کنند. داشتن دانش پیشرفته ریاضی الزامی نیست، اما آشنایی پایه با ریاضیات کمک میکند تا نهایت استفاده را از این کتاب ببرید. این کتاب فرض را بر این میگذارد که با مفاهیم ساختارهای داده در پایتون آشنایی دارید. فهرست مطالب: بستهها، توابع و مفاهیم پایه، رسم نمودارهای ریاضی با Matplotlib، حسابان و معادلات دیفرانسیل، کار با تصادف و احتمال، کار با درختها و شبکهها، کار با دادهها و آمار، رگرسیون و پیشبینی، مسائل هندسی، یافتن راهحلهای بهینه، مطالب متفرقه
Discover easy-to-follow solutions and techniques to help you to implement applied mathematical concepts such as probability, calculus, and equations using Python's numeric and scientific librariesKey Features Compute complex mathematical problems using programming logic with the help of step-by-step recipes Learn how to utilize Python's libraries for computation, mathematical modeling, and statistics Discover simple yet effective techniques for solving mathematical equations and apply them in real-world statistics Book Description Python, one of the world's most popular programming languages, has a number of powerful packages to help you tackle complex mathematical problems in a simple and efficient way. These core capabilities help programmers pave the way for building exciting applications in various domains, such as machine learning and data science, using knowledge in the computational mathematics domain.The book teaches you how to solve problems faced in a wide variety of mathematical fields, including calculus, probability, statistics and data science, graph theory, optimization, and geometry. You'll start by developing core skills and learning about packages covered in Python's scientific stack, including NumPy, SciPy, and Matplotlib. As you advance, you'll get to grips with more advanced topics of calculus, probability, and networks (graph theory). After you gain a solid understanding of these topics, you'll discover Python's applications in data science and statistics, forecasting, geometry, and optimization. The final chapters will take you through a collection of miscellaneous problems, including working with specific data formats and accelerating code.By the end of this book, you'll have an arsenal of practical coding solutions that can be used and modified to solve a wide range of practical problems in computational mathematics and data science.What you will learn Get familiar with basic packages, tools, and libraries in Python for solving mathematical problems Explore various techniques that will help you to solve computational mathematical problems Understand the core concepts of applied mathematics and how you can apply them in computer science Discover how to choose the most suitable package, tool, or technique to solve a certain problem Implement basic mathematical plotting, change plot styles, and add labels to the plots using Matplotlib Get to grips with probability theory with the Bayesian inference and Markov Chain Monte Carlo (MCMC) methods Who this book is for This book is for professional programmers and students looking to solve mathematical problems computationally using Python. Advanced mathematics knowledge is not a requirement, but a basic knowledge of mathematics will help you to get the most out of this book. The book assumes familiarity with Python concepts of data structures.Table of Contents Basic Packages, Functions, and Concepts Mathematical Plotting with Matplotlib Calculus and Differential Equations Working with Randomness and Probability Working with Trees and Networks Working with Data and Statistics Regression and Forecasting Geometric Problems Finding Optimal Solutions Miscellaneous Topics