Théorie des probabilités et statistiques mathématiques. Guide de résolution de problèmes
A

Théorie des probabilités et statistiques mathématiques. Guide de résolution de problèmes

Mathématiques
probability theory mathematical statistics problem solving Mathcad laboratory work random processes combinatorics
Auteur
V. V. Grigoriev-Goloubev, N. V. Vassilieva, E. A. Krotov
Éditeur
BHV-Pétersbourg
Année
2021
Langue
Russe
160
Évaluer ce livre

Pour lire le livre, se connecter / s'inscrire

Aperçu du fragment

Livres similaires

Apprentissage automatique probabiliste. Sujets avancés : fondements, inférence

Apprentissage automatique probabiliste. Sujets avancés : fondements, inférence

Kevin P. Murphy

Mathématiques pour la Data Science. Gérer les données avec l'algèbre linéaire, la théorie des probabilités et les statistiques.

Mathématiques pour la Data Science. Gérer les données avec l'algèbre linéaire, la théorie des probabilités et les statistiques.

Thomas Nield

Régression : théorie et pratique. Avec des exemples en R et Stan

Régression : théorie et pratique. Avec des exemples en R et Stan

Andrew Gelman, Jennifer Hill, Aki Vehtari

Algorithmes de prise de décision

Algorithmes de prise de décision

Miquel Cohen-Derfer, Tim Wheeler, Kyle Ray

Modèles bayésiens de perception et d'action. Une perspective moderne sur les principes de fonctionnement du cerveau

Modèles bayésiens de perception et d'action. Une perspective moderne sur les principes de fonctionnement du cerveau

Wei Ji Ma, Konrad Kording, Daniel Goldreich

Modèles bayésiens. Statistiques bayésiennes avec le langage de programmation Python

Modèles bayésiens. Statistiques bayésiennes avec le langage de programmation Python

Allen B. Downey

Deep Learning sans Mathématiques. Volume 1. Fondamentaux

Deep Learning sans Mathématiques. Volume 1. Fondamentaux

Andrew Glassner

Réseaux neuronaux avec Python. Fondements de l'IA et de l'apprentissage automatique

Réseaux neuronaux avec Python. Fondements de l'IA et de l'apprentissage automatique

Koulikova I. V.

Apprentissage profond : principes et concepts

Apprentissage profond : principes et concepts

Christopher M. Bishop, Hugh Bishop

Machine Learning sans fioritures

Machine Learning sans fioritures

Andreï Bourkov