Cuốn sách này dành cho sinh viên đại học khoa học máy tính vào cuối năm thứ hai hoặc đầu năm học cơ sở, cung cấp nền tảng toàn diện về phân tích dữ liệu định tính và định lượng, xác suất, biến ngẫu nhiên và phương pháp thống kê, bao gồm cả học máy. Với việc xử lý cẩn thận các chủ đề trong chương trình giảng dạy nhu cầu của khóa học, Tính năng Xác suất và Thống kê trong Khoa học Máy tính: - Cách xử lý các biến ngẫu nhiên và kỳ vọng chủ yếu liên quan đến trường hợp rời rạc. - Một cách xử lý thực tế về mô phỏng, cho thấy có thể rút ra bao nhiêu xác suất và kỳ vọng thú vị, đặc biệt nhấn mạnh vào chuỗi Markov. - Trình bày rõ ràng nhưng sắc nét về các chiến lược suy luận điểm đơn giản (khả năng tối đa; suy luận Bayes) trong các bối cảnh đơn giản. Điều này được mở rộng để bao gồm một số khoảng tin cậy, mẫu và quần thể để lấy mẫu ngẫu nhiên có thay thế và kiểm tra giả thuyết đơn giản nhất. - Một chương đề cập đến việc phân loại, giải thích tại sao nó hữu ích; cách huấn luyện các bộ phân loại SVM với độ dốc giảm dần ngẫu nhiên; và cách sử dụng việc triển khai các phương pháp nâng cao hơn như rừng ngẫu nhiên và hàng xóm gần nhất. - Chương về hồi quy, giải thích cách thiết lập, sử dụng và tìm hiểu hồi quy tuyến tính và hồi quy láng giềng gần nhất trong các bài toán thực tế. - Một chương đề cập đến việc phân tích các thành phần chính, phát triển trực giác một cách cẩn thận và bao gồm nhiều ví dụ thực tế. Có một mô tả ngắn gọn về tỷ lệ đa biến thông qua phân tích tọa độ chính. - Chương đề cập đến phân cụm bằng phương pháp kết tụ và k-mean, trình bày cách xây dựng đặc trưng lượng tử hóa vectơ cho các tín hiệu phức tạp. Được minh họa xuyên suốt, mỗi chương chính bao gồm nhiều ví dụ hoạt động và các yếu tố sư phạm khác như Quy trình đóng hộp, Định nghĩa, Thông tin hữu ích và Ghi nhớ điều này (mẹo ngắn). Các bài toán và bài tập lập trình nằm ở cuối mỗi chương, kèm theo phần tóm tắt những điều người đọc cần biết. Tài nguyên dành cho người hướng dẫn bao gồm một bộ đầy đủ các giải pháp mô hình cho tất cả các vấn đề và Sách hướng dẫn dành cho người hướng dẫn kèm theo các slide thuyết trình.

Abstract:

This book is aimed at computer science undergraduates late in sophomore or early in junior year, supplying a comprehensive background in qualitative and quantitative data analysis, probability, random variables, and statistical methods, including machine learning.With careful treatment of topics that fill the curricular needs for the course, Probability and Statistics for Computer Science features: - A treatment of random variables and expectations dealing primarily with the discrete case. - A practical treatment of simulation, showing how many interesting probabilities and expectations can be extracted, with particular emphasis on Markov chains. - A clear but crisp account of simple point inference strategies (maximum likelihood; Bayesian inference) in simple contexts. This is extended to cover some confidence intervals, samples and populations for random sampling with replacement, and the simplest hypothesis testing. - A chapter dealing with classification, explaining why it's useful; how to train SVM classifiers with stochastic gradient descent; and how to use implementations of more advanced methods such as random forests and nearest neighbors. - A chapter dealing with regression, explaining how to set up, use and understand linear regression and nearest neighbors regression in practical problems. - A chapter dealing with principal components analysis, developing intuition carefully, and including numerous practical examples. There is a brief description of multivariate scaling via principal coordinate analysis. - A chapter dealing with clustering via agglomerative methods and k-means, showing how to build vector quantized features for complex signals. Illustrated throughout, each main chapter includes many worked examples and other pedagogical elements such as boxed Procedures, Definitions