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: David S. Jordan
سری:
ISBN (شابک) : 9781803238128, 1803238127
ناشر: Packt Publishing
سال نشر:
تعداد صفحات: 308
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 22 Mb
در صورت تبدیل فایل کتاب Applied Geospatial Data Science with Python: Leverage geospatial data analysis and modeling to find unique solutions to environmental problems 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 کاربرد علم داده های جغرافیایی با پایتون: از تحلیل و مدل سازی داده های مکانی برای یافتن راه حل های منحصر به فرد برای مشکلات زیست محیطی استفاده کنید. 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.
به طور هوشمند نقاط داده را به هم متصل کنید و درک عمیق تری از مشکلات زیست محیطی از طریق مطالعات موردی علم داده های جغرافیایی که در پایتون نوشته شده است به دست آورید
این کتاب شامل تصاویر رنگی از مفاهیم مهم
دانشمندان داده، زمانی که دادههای بیشماری ارائه میشوند، اغلب میتوانند نحوه ارائه تحلیلهای جغرافیایی را به شیوهای معنادار به گونهای که برای همه معنادار باشد، از دست میدهند. استفاده از پایتون برای تجسم داده ها به ذینفعان در نقش های فنی کمتر کمک می کند تا مشکل را درک کنند و به دنبال راه حل باشند. هدف این کتاب کمک به دانشمندان داده و متخصصان GIS برای یادگیری و پیادهسازی گردشهای کاری علم دادههای جغرافیایی با استفاده از پایتون است.
در طول این کتاب، شما کتابخانههای زمین فضایی متعددی را با پایتون کشف خواهید کرد. که میتوانید گردشهای کاری علم دادههای مکانی را به صورت سرتاسر توسعه دهید. شما یاد خواهید گرفت که چگونه داده های مکانی را به طور موثر بخوانید، پردازش کنید و دستکاری کنید. با در دست داشتن داده ها، برای درک بهتر و بیان داستان داده های خود از طریق برنامه های نقشه برداری ایستا و پویا، به سمت ایجاد تجسم داده های مکانی خواهید رفت. با پیشرفت در کتاب، متوجه خواهید شد که در حال توسعه مدلهای هوش مصنوعی و ML جغرافیایی با تمرکز بر خوشهبندی، رگرسیون و بهینهسازی هستید. موارد استفاده را میتوان بهعنوان بلوکهای ساختمانی برای کارهای پیشرفتهتر در صنایع مختلف مورد استفاده قرار داد.
در پایان کتاب، میتوانید با دادههای تصادفی مقابله کنید. همبستگی های معنی دار را پیدا کنید و مدل های داده های جغرافیایی بسازید.
اگر دانشمند داده ای هستید که به دنبال گنجاندن تفکر جغرافیایی در گردش کار خود هستید یا یک متخصص GIS که به دنبال ترکیب روش های علم داده در روش شماست، این کتاب برای شما مناسب است. برای تجزیه و تحلیل داده ها و/یا علم داده باید دانش پایه ای از Python داشته باشید.
Intelligently connect data points and gain a deeper understanding of environmental problems through hands-on Geospatial Data Science case studies written in Python
The book includes colored images of important concepts
Data scientists, when presented with a myriad of data, can often lose sight of how to present geospatial analyses in a meaningful way so that it makes sense to everyone. Using Python to visualize data helps stakeholders in less technical roles to understand the problem and seek solutions. The goal of this book is to help data scientists and GIS professionals learn and implement geospatial data science workflows using Python.
Throughout this book, you'll uncover numerous geospatial Python libraries with which you can develop end-to-end spatial data science workflows. You'll learn how to read, process, and manipulate spatial data effectively. With data in hand, you'll move on to crafting spatial data visualizations to better understand and tell the story of your data through static and dynamic mapping applications. As you progress through the book, you'll find yourself developing geospatial AI and ML models focused on clustering, regression, and optimization. The use cases can be leveraged as building blocks for more advanced work in a variety of industries.
By the end of the book, you'll be able to tackle random data, find meaningful correlations, and make geospatial data models.
This book is for you if you are a data scientist seeking to incorporate geospatial thinking into your workflows or a GIS professional seeking to incorporate data science methods into yours. You'll need to have a foundational knowledge of Python for data analysis and/or data science.