数据科学的数学基础

　　要想在数据科学领域取得成功，你需要精通数学。但不仅仅是数学。这本指南提供了一个清晰的、简单的答案，你需要了解，包括概率、统计、假设测试、线性代数、机器学习和微积分的知识。使用Python代码的实际示例将帮助您了解数学如何应用于您将要做的工作，在将概念连接到机器学习等应用程序时，提供了对概念在底层如何工作的清晰理解。你会得到一个坚实的基础，但更重要的是，你将能够使用它。书中内容包括：认识到概率数学的细微差别和缺陷；掌握统计和假设测试（并避免常见的陷阱）；探索概率、统计、微积分和机器学习的实际应用；直观地理解线性代数是空间的转换，而不仅仅是数字相乘和相加的网格；完全从零开始在Python中执行微积分、导数和积分；将你所学的知识应用到机器学习中，包括线性回归、逻辑回归和神经网络。

暂缺《数据科学的数学基础》作者简介

前言
第1章 基本的数学和微积分回顾
数论
运算顺序
变量
函数
求和
指数
对数
欧拉数与自然对数
欧拉数
自然对数
极限
导数
偏导数
链式法则
积分
结论
习题
第2章 概率论
理解概率
概率与统计
概率数学
联合概率
并集概率
条件概率与贝叶斯定理
联合条件概率和并集条件概率
二项分布
贝塔分布
结论
习题
第3章 描述统计学和推理统计学
什么是数据？
描述统计学与推理统计学
总体、样本和偏差
描述统计学
均值与加权均值
中位数
众数
方差和标准差
正态分布
逆CDF
Z分数
推理统计学
中心极限定理
置信区间
理解p值
假设检验
t分布：处理小样本
大数据考虑和德州神 手谬论