Matematyka dyskretna dla praktyków

Mimo że osiągnięcia matematyczne stały się podwalinami algorytmiki, wielu inżynierów nie w pełni rozumie reguły matematyki dyskretnej. Nawet jeśli nie stanowi to szczególnego problemu w codziennej pracy, w końcu okazuje się, że matematyka dyskretna jest niezbędna do osiągnięcia prawdziwej biegłości w operowaniu algorytmami i w pracy na danych. Co więcej, znajomość tej dziedziny bardzo ułatwia rozwiązywanie problemów z zakresu uczenia maszynowego. W ten sposób praktyczna biegłość w matematyce zauważalnie poprawia wyniki pracy inżynierów. Ta książka jest kompleksowym wprowadzeniem do matematyki dyskretnej, przydatnym dla każdego, kto chce pogłębić i ugruntować swoje umiejętności informatyczne. W zrozumiały sposób przedstawiono tu metody matematyki dyskretnej i ich zastosowanie w algorytmach i analizie danych, włączając w to techniki uczenia maszynowego. Zaprezentowano również zasady oceny złożoności obliczeniowej algorytmów i używania wyników tej oceny do zarządzania pracą procesora. Omówiono także sposoby przechowywania struktur grafowych, ich przeszukiwania i znajdywania ścieżek między wierzchołkami. Pokazano też, jak wykorzystać przedstawione informacje podczas posługiwania się bibliotekami Pythona, takimi jak scikit-learn i NumPy. W książce między innymi: terminologia i metody matematyki dyskretnej zastosowanie metod matematyki dyskretnej w algorytmach i analizie danych algebra Boole'a i kombinatoryka w podstawowych strukturach algorytmów rozwiązywanie problemów z dziedziny teorii grafów zadania związane z uczeniem maszynowym a matematyka dyskretna Matematyka dyskretna - poznaj, zrozum, zastosuj! O autorach Dr Ryan T. White jest naukowcem specjalizującym się w uczeniu maszynowym i teorii prawdopodobieństwa. Wykłada matematykę w Florida Institute of Technology. Zajmuje się analizą stochastyczną i jej algorytmami, kieruje też projektami z zakresu uczenia maszynowego. Archana Tikayat Ray przygotowuje się do obrony doktoratu w Georgia Institute of Technology w Atlancie. Jej prace badawcze koncentrują się na uczeniu maszynowym i przetwarzaniu języka naturalnego (NLP).