Cantitate/Preț
Produs
Total produse
Vezi coșul
Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares de Stephen Boyd

Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares

Autor Stephen Boyd, Lieven Vandenberghe
en Limba Engleză Hardback – 6 iun 2018

Găsim în Introduction to Applied Linear Algebra un punct de pornire ideal pentru studenți și profesioniști, deoarece textul este conceput pentru un nivel de începător, nepresupunând nicio expunere anterioară la subiect. Ne-a atras atenția modul în care Stephen Boyd și Lieven Vandenberghe reușesc să transforme un domeniu adesea abstract într-un set de instrumente pragmatice pentru inginerie și știința datelor. Suntem de părere că forța acestui manual rezidă în echilibrul dintre rigoarea matematică și aplicabilitatea imediată: conceptele de vectori și matrice nu sunt prezentate izolat, ci prin prisma utilității lor în sisteme de control, tomografie sau inteligență artificială. Dacă Applied Linear Algebra de Peter J. Olver v-a oferit cadrul teoretic și derivarea principiilor fundamentale, această carte oferă instrumentele practice și algoritmii necesari pentru implementări computaționale moderne. În contextul operei autorului, lucrarea de față servește ca o introducere esențială și mult mai accesibilă față de volumul său de referință, Convex Optimization, pregătind terenul pentru modelarea numerică avansată. Stilul narativ este direct, eliminând formalismul excesiv în favoarea unor exerciții care utilizează seturi de date reale și suport pentru Julia sau MATLAB, facilitând tranziția de la teorie la cod sursă.

Citește tot Restrânge

Preț: 37038 lei

Puncte Express: 556

Carte tipărită la comandă

Livrare economică 30 mai-13 iunie

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781316518960
ISBN-10: 1316518965
Pagini: 474
Dimensiuni: 195 x 253 x 25 mm
Greutate: 1.22 kg
Editura: Cambridge University Press
Colecția Cambridge University Press
Locul publicării:Cambridge, United Kingdom

De ce să citești această carte

Recomandăm această carte oricărui viitor inginer sau specialist în date care dorește să înțeleagă matematica din spatele algoritmilor moderni. Este o resursă valoroasă deoarece nu se pierde în demonstrații abstracte, ci se concentrează pe rezolvarea problemelor din lumea reală. Cititorul câștigă o bază solidă în utilizarea matricelor și a metodei celor mai mici pătrate, esențiale în machine learning și procesarea semnalelor.

Despre autor

Stephen Boyd este profesor în cadrul Departamentului de Inginerie Electrică la Universitatea Stanford, unde conduce Laboratorul de Sisteme Informaționale. Cu un doctorat obținut la UC Berkeley, Boyd este recunoscut la nivel mondial pentru contribuțiile sale în controlul sistemelor și optimizarea convexă, fiind Fellow IEEE și beneficiar al numeroase premii de cercetare și pedagogie. Experiența sa academică este dublată de o înțelegere practică a industriei, fiind cofondator al unor companii de design tehnologic. Lucrările sale anterioare, axate pe optimizare și inegalități matriciale, au definit standardele moderne în ingineria sistemelor.

Descriere scurtă

This groundbreaking textbook combines straightforward explanations with a wealth of practical examples to offer an innovative approach to teaching linear algebra. Requiring no prior knowledge of the subject, it covers the aspects of linear algebra - vectors, matrices, and least squares - that are needed for engineering applications, discussing examples across data science, machine learning and artificial intelligence, signal and image processing, tomography, navigation, control, and finance. The numerous practical exercises throughout allow students to test their understanding and translate their knowledge into solving real-world problems, with lecture slides, additional computational exercises in Julia and MATLAB®, and data sets accompanying the book online. Suitable for both one-semester and one-quarter courses, as well as self-study, this self-contained text provides beginning students with the foundation they need to progress to more advanced study.

Cuprins

Part I. Vectors: 1. Vectors; 2. Linear functions; 3. Norm and distance; 4. Clustering; 5. Linear independence; Part II. Matrices: 6. Matrices; 7. Matrix examples; 8. Linear equations; 9. Linear dynamical systems; 10. Matrix multiplication; 11. Matrix inverses; Part III. Least Squares: 12. Least squares; 13. Least squares data fitting; 14. Least squares classification; 15. Multi-objective least squares; 16. Constrained least squares; 17. Constrained least squares applications; 18. Nonlinear least squares; 19. Constrained nonlinear least squares; Appendix A; Appendix B; Appendix C; Appendix D; Index.

Recenzii

'Introduction to Applied Linear Algebra fills a very important role that has been sorely missed so far in the plethora of other textbooks on the topic, which are filled with discussions of nullspaces, rank, complex eigenvalues and other concepts, and by way of 'examples', typically show toy problems. In contrast, this unique book focuses on two concepts only, linear independence and QR factorization, and instead insists on the crucial activity of modeling, showing via many well-thought out practical examples how a deceptively simple method such as least-squares is really empowering. A must-read introduction for any student in data science, and beyond!' Laurent El Ghaoui, University of California, Berkeley
'This book explains the least squares method and the linear algebra it depends on - and the authors do it right!' Gilbert Strang, Massachusetts Institute of Technology
'The kings of convex optimization have crossed the quad and produced a wonderful fresh look at linear models for data science. While for statisticians the notation is a bit quirky at times, the treatise is fresh with great examples from many fields, new ideas such as random featurization, and variations on classical approaches in statistics. With tons of exercises, this book is bound to be popular in the classroom.' Trevor Hastie, Stanford University, California
'Boyd and Vandenberghe present complex ideas with a beautiful simplicity, but beware! These are very powerful techniques! And so easy to use that your students and colleagues may abandon older methods. Caveat lector!' Robert Proctor, Stanford University, California
'… this book … could be used either as the textbook for a first course in applied linear algebra for data science or (using the first half of the book to review linear algebra basics) the textbook for a course in linear algebra for data science that builds on a prior to introduction to linear algebra … This is a very well written textbook that features significant mathematics, algorithms, and applications. I recommend it highly.' Brian Borchers, MAA Reviews