ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب A Hands-On Introduction to Data Science

دانلود کتاب مقدمه ای عملی بر علم داده

A Hands-On Introduction to Data Science

مشخصات کتاب

A Hands-On Introduction to Data Science

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1108472443, 9781108472449 
ناشر: Cambridge University Press 
سال نشر: 2020 
تعداد صفحات: 460 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 مگابایت 

قیمت کتاب (تومان) : 38,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب A Hands-On Introduction to Data Science 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 مقدمه ای عملی بر علم داده 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.


توضیحاتی در مورد کتاب مقدمه ای عملی بر علم داده

این کتاب با استفاده از یک رویکرد عملی که بدون دانش قبلی از موضوع است، حوزه علم داده را به شیوه ای کاربردی و در دسترس معرفی می کند. ایده‌ها و تکنیک‌های بنیادی علم داده به‌طور مستقل از فناوری ارائه می‌شوند و به دانش‌آموزان این امکان را می‌دهند که بدون پیش‌زمینه فنی قوی، به راحتی درک محکمی از موضوع ایجاد کنند، و همچنین مطالبی ارائه می‌شود که حتی پس از تغییر ابزارها و فناوری‌ها ارتباط مستمری خواهند داشت. این کتاب با استفاده از ابزارهای معروف علم داده مانند پایتون و R، نمونه‌های بسیاری از برنامه‌های کاربردی واقعی را با تمرین از داده‌های کوچک تا بزرگ ارائه می‌کند. مجموعه ای از مطالب آنلاین هم برای مربیان و هم برای دانش آموزان مکمل قوی برای کتاب است، از جمله مجموعه داده ها، اسلایدهای فصل، راه حل ها، امتحانات نمونه و پیشنهادات برنامه درسی. این کتاب درسی سطح ابتدایی برای خوانندگانی از طیف وسیعی از رشته ها که مایل به ایجاد دانش عملی و کاربردی از علم داده هستند، ایده آل است.


توضیحاتی درمورد کتاب به خارجی

This book introduces the field of data science in a practical and accessible manner, using a hands-on approach that assumes no prior knowledge of the subject. The foundational ideas and techniques of data science are provided independently from technology, allowing students to easily develop a firm understanding of the subject without a strong technical background, as well as being presented with material that will have continual relevance even after tools and technologies change. Using popular data science tools such as Python and R, the book offers many examples of real-life applications, with practice ranging from small to big data. A suite of online material for both instructors and students provides a strong supplement to the book, including datasets, chapter slides, solutions, sample exams and curriculum suggestions. This entry-level textbook is ideally suited to readers from a range of disciplines wishing to build a practical, working knowledge of data science.



فهرست مطالب

Contents
Preface
About the Author
Acknowledgments
Part I: Conceptual Introductions
1 Introduction
	1.1 What Is Data Science?
	1.2 Where Do We See Data Science?
		1.2.1 Finance
		1.2.2 Public Policy
		1.2.3 Politics
		1.2.4 Healthcare
		1.2.5 Urban Planning
		1.2.6 Education
		1.2.7 Libraries
	1.3 How Does Data Science Relate to Other Fields?
		1.3.1 Data Science and Statistics
		1.3.2 Data Science and Computer Science
		1.3.3 Data Science and Engineering
		1.3.4 Data Science and Business Analytics
		1.3.5 Data Science, Social Science, and Computational Social Science
	1.4 The Relationship between Data Science and Information Science
		1.4.1 Information vs. Data
		1.4.2 Users in Information Science
		1.4.3 Data Science in Information Schools (iSchools)
	1.5 Computational Thinking
	1.6 Skills for Data Science
	1.7 Tools for Data Science
	1.8 Issues of Ethics, Bias, and Privacy in Data Science
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
2 Data
	2.1 Introduction
	2.2 Data Types
		2.2.1 Structured Data
		2.2.2 Unstructured Data
		2.2.3 Challenges with Unstructured Data
	2.3 Data Collections
		2.3.1 Open Data
		2.3.2 Social Media Data
		2.3.3 Multimodal Data
		2.3.4 Data Storage and Presentation
	2.4 Data Pre-processing
		2.4.1 Data Cleaning
		2.4.2 Data Integration
		2.4.3 Data Transformation
		2.4.4 Data Reduction
		2.4.5 Data Discretization
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
3 Techniques
	3.1 Introduction
	3.2 Data Analysis and Data Analytics
	3.3 Descriptive Analysis
		3.3.1 Variables
		3.3.2 Frequency Distribution
		3.3.3 Measures of Centrality
		3.3.4 Dispersion of a Distribution
	3.4 Diagnostic Analytics
		3.4.1 Correlations
	3.5 Predictive Analytics
	3.6 Prescriptive Analytics
	3.7 Exploratory Analysis
	3.8 Mechanistic Analysis
		3.8.1 Regression
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
Part II: Tools for Data Science
4 UNIX
	4.1 Introduction
	4.2 Getting Access to UNIX
	4.3 Connecting to a UNIX Server
		4.3.1 SSH
		4.3.2 FTP/SCP/SFTP
	4.4 Basic Commands
		4.4.1 File and Directory Manipulation Commands
		4.4.2 Process-Related Commands
		4.4.3 Other Useful Commands
		4.4.4 Shortcuts
	4.5 Editing on UNIX
		4.5.1 The vi Editor
		4.5.2 The Emacs Editor
	4.6 Redirections and Piping
	4.7 Solving Small Problems with UNIX
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
5 Python
	5.1 Introduction
	5.2 Getting Access to Python
		5.2.1 Download and Install Python
		5.2.2 Running Python through Console
		5.2.3 Using Python through Integrated Development Environment (IDE)
	5.3 Basic Examples
	5.4 Control Structures
	5.5 Statistics Essentials
		5.5.1 Importing Data
		5.5.2 Plotting the Data
		5.5.3 Correlation
		5.5.4 Linear Regression
		5.5.5 Multiple Linear Regression
	5.6 Introduction to Machine Learning
		5.6.1 What Is Machine Learning?
		5.6.2 Classification (Supervised Learning)
		5.6.3 Clustering (Unsupervised Learning)
		5.6.4 Density Estimation (Unsupervised Learning)
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
6 R
	6.1 Introduction
	6.2 Getting Access to R
	6.3 Getting Started with R
		6.3.1 Basics
		6.3.2 Control Structures
		6.3.3 Functions
		6.3.4 Importing Data
	6.4 Graphics and Data Visualization
		6.4.1 Installing ggplot2
		6.4.2 Loading the Data
		6.4.3 Plotting the Data
	6.5 Statistics and Machine Learning
		6.5.1 Basic Statistics
		6.5.2 Regression
		6.5.3 Classification
		6.5.4 Clustering
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
7 MySQL
	7.1 Introduction
	7.2 Getting Started with MySQL
		7.2.1 Obtaining MySQL
		7.2.2 Logging in to MySQL
	7.3 Creating and Inserting Records
		7.3.1 Importing Data
		7.3.2 Creating a Table
		7.3.3 Inserting Records
	7.4 Retrieving Records
		7.4.1 Reading Details about Tables
		7.4.2 Retrieving Information from Tables
	7.5 Searching in MySQL
		7.5.1 Searching within Field Values
		7.5.2 Full-Text Searching with Indexing
	7.6 Accessing MySQL with Python
	7.7 Accessing MySQL with R
	7.8 Introduction to Other Popular Databases
		7.8.1 NoSQL
		7.8.2 MongoDB
		7.8.3 Google BigQuery
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
Part III: Machine Learning for Data Science
8 Machine Learning Introduction and Regression
	8.1 Introduction
	8.2 What Is Machine Learning?
	8.3 Regression
	8.4 Gradient Descent
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
9 Supervised Learning
	9.1 Introduction
	9.2 Logistic Regression
	9.3 Softmax Regression
	9.4 Classification with kNN
	9.5 Decision Tree
		9.5.1 Decision Rule
		9.5.2 Classification Rule
		9.5.3 Association Rule
	9.6 Random Forest
	9.7 Naïve Bayes
	9.8 Support Vector Machine (SVM)
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
10 Unsupervised Learning
	10.1 Introduction
	10.2 Agglomerative Clustering
	10.3 Divisive Clustering
	10.4 Expectation Maximization (EM)
	10.5 Introduction to Reinforcement Learning
	Summary
	Key Terms
	Conceptual Questions
	Hands-On Problems
	Further Reading and Resources
Part IV: Applications, Evaluations, and Methods
11 Hands-On with Solving Data Problems
	11.1 Introduction
	11.2 Collecting and Analyzing Twitter Data
	11.3 Collecting and Analyzing YouTube Data
	11.4 Analyzing Yelp Reviews and Ratings
	Summary
	Key Terms
	Conceptual Questions
	Practice Questions
12 Data Collection, Experimentation, and Evaluation
	12.1 Introduction
	12.2 Data Collection Methods
		12.2.1 Surveys
		12.2.2 Survey Question Types
		12.2.3 Survey Audience
		12.2.4 Survey Services
		12.2.5 Analyzing Survey Data
		12.2.6 Pros and Cons of Surveys
		12.2.7 Interviews and Focus Groups
		12.2.8 Why Do an Interview?
		12.2.9 Why Focus Groups?
		12.2.10 Interview or Focus Group Procedure
		12.2.11 Analyzing Interview Data
		12.2.12 Pros and Cons of Interviews and Focus Groups
		12.2.13 Log and Diary Data
		12.2.14 User Studies in Lab and Field
	12.3 Picking Data Collection and Analysis Methods
		12.3.1 Introduction to Quantitative Methods
		12.3.2 Introduction to Qualitative Methods
		12.3.3 Mixed Method Studies
	12.4 Evaluation
		12.4.1 Comparing Models
		12.4.2 Training–Testing and A/B Testing
		12.4.3 Cross-Validation
	Summary
	Key Terms
	Conceptual Questions
	Further Reading and Resources
Appendices Appendix A:Useful Formulas from Differential Calculus
	Further Reading and Resources
Appendix B:Useful Formulas from Probability
	Further Reading and Resources
Appendix C:Useful Resources
	C.1 Tutorials
	C.2 Tools
Appendix D:Installing and Configuring Tools
	D.1 Anaconda
	D.2 IPython (Jupyter) Notebook
	D.3 Spyder
	D.4 R
	D.5 RStudio
Appendix E:Datasets and Data Challenges
	E.1 Kaggle
	E.2 RecSys
	E.3 WSDM
	E.4 KDD Cup
Appendix F:Using Cloud Services
	F.1 Google Cloud Platform
	F.2 Hadoop
	F.3 Microsoft Azure
	F.4 Amazon Web Services (AWS)
Appendix G:Data Science Jobs
	G.1 Marketing
	G.2 Corporate Retail and Sales
	G.3 Legal
	G.4 Health and Human Services
Appendix H:Data Science and Ethics
	H.1 Data Supply Chain
	H.2 Bias and Inclusion
	H.3 Considering Best Practices and Codes of Conduct
Appendix I:Data Science for Social Good
Index




نظرات کاربران