دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Buttrey. Samuel E, Whitaker. Lyn R سری: ISBN (شابک) : 9781119080022, 1119080029 ناشر: Wiley سال نشر: 2017;2018 تعداد صفحات: xxi, 288 Seiten: Illustration [ زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب A data scientist's guide to acquiring, cleaning, and managing data in R به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب راهنمای یک دانشمند داده برای به دست آوردن، تمیز کردن و مدیریت داده ها در R نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تنها راهنمای نحوه ارائه یک رویکرد یکپارچه و سیستمی برای به
دست آوردن، تمیز کردن و مدیریت داده ها در R
هر متخصص با تجربه می داند که آماده سازی داده ها برای مدل سازی
کاری پر زحمت است، فرآیند زمان بر مشکل این است که اکثر مدلسازان
مراحل مربوط به تمیز کردن و مدیریت دادهها را به صورت تکه تکه،
اغلب در جریان، یاد میگیرند، یا روشهای موردی خود را توسعه
میدهند. این کتاب با ارائه یک رویکرد یکپارچه و سیستماتیک برای
به دست آوردن، مدل سازی، دستکاری، تمیز کردن و نگهداری داده ها در
R، به ساده کردن کار آنها کمک می کند.
دانشمندان داده ساموئل ای. R. Whitaker خوانندگان را در کل این
فرآیند راهنمایی می کند. از این که داده ها چگونه به نظر می رسند
و چهبایدبه نظر می رسند، آنها در تمام مراحل مربوط به
آماده سازی داده ها برای مدل سازی پیشرفت می کنند. آنها بهترین
شیوه ها را برای به دست آوردن داده ها از منابع متعدد توصیف می
کنند. بررسی مسائل کلیدی در مدیریت داده ها، از جمله متن/عبارات
منظم، داده های بزرگ، پردازش موازی، ادغام، تطبیق، و بررسی موارد
تکراری. و تکنیکهای بسیار کارآمد و قابل اعتماد برای مستندسازی
دادهها و نگهداری سوابق، از جمله مسیرهای حسابرسی، بازگرداندن
دادهها از R و موارد دیگر را ترسیم کنید.
تنها راهنمای تک منبعی برای دادههای R و آمادهسازی آن، شرح
میدهد. بهترین روشها برای کسب، دستکاری، تمیز کردن و نگهداری
دادهها با اصول اولیه شروع میشود و خوانندگان را در تمام مراحل
لازم برای آمادهسازی دادهها برای فرآیند مدلسازی راهنمایی
میکند. متخصصان، هم تکنیکهای مقدماتی و هم پیشرفته را ارائه
میکند. ویژگیهای مطالعات موردی با دادههای پشتیبانی و کد R،
میزبانی شده در یک وبسایت همراهراهنمای دانشمند داده برای
کسب، تمیز کردن و مدیریت دادهها در Rیک منبع کاری ارزشمند
است/ کتابچه راهنمای نیمکت برای پزشکانی که دادهها را جمعآوری و
تجزیه و تحلیل میکنند، دانشمندان آزمایشگاهی و همکاران پژوهشی در
تمام سطوح تجربه، و دانشجویان دادهکاوی در مقطع کارشناسی ارشد.
The only how-to guide offering a unified, systemic approach
to acquiring, cleaning, and managing data in R
Every experienced practitioner knows that preparing data for
modeling is a painstaking, time-consuming process. Adding to
the difficulty is that most modelers learn the steps involved
in cleaning and managing data piecemeal, often on the fly, or
they develop their own ad hoc methods. This book helps simplify
their task by providing a unified, systematic approach to
acquiring, modeling, manipulating, cleaning, and maintaining
data in R.
Starting with the very basics, data scientists Samuel E.
Buttrey and Lyn R. Whitaker walk readers through the entire
process. From what data looks like and what itshouldlook
like, they progress through all the steps involved in getting
data ready for modeling. They describe best practices for
acquiring data from numerous sources; explore key issues in
data handling, including text/regular expressions, big data,
parallel processing, merging, matching, and checking for
duplicates; and outline highly efficient and reliable
techniques for documenting data and recordkeeping, including
audit trails, getting data back out of R, and more.
The only single-source guide to R data and its preparation, it
describes best practices for acquiring, manipulating, cleaning,
and maintaining data Begins with the basics and walks readers
through all the steps necessary to get data ready for the
modeling process Provides expert guidance on how to document
the processes described so that they are reproducible Written
by seasoned professionals, it provides both introductory and
advanced techniques Features case studies with supporting data
and R code, hosted on a companion websiteA Data Scientist's
Guide to Acquiring, Cleaning and Managing Data in Ris a
valuable working resource/bench manual for practitioners who
collect and analyze data, lab scientists and research
associates of all levels of experience, and graduate-level data
mining students.