Data Science Design manual

ویرایش:  
نویسندگان: Stevven S Skiena  
سری: Texts in Computer Science 
ISBN (شابک) : 9783319554433 
ناشر: Springer 
سال نشر: 2017 
تعداد صفحات: 456 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 20 Mb 

قیمت کتاب (تومان) : 28,000



این کتاب/مرجع درسی جذاب و واضح نوشته شده، مقدمه ای ضروری برای حوزه میان رشته ای علم داده است که به سرعت در حال ظهور است. این بر اصول اساسی برای تبدیل شدن به یک دانشمند داده خوب و مهارت های کلیدی مورد نیاز برای ایجاد سیستم هایی برای جمع آوری، تجزیه و تحلیل و تفسیر داده ها تمرکز دارد.

کتابچه راهنمای طراحی علم داده منبعی از بینش های عملی است که آنچه را که واقعاً در تجزیه و تحلیل داده ها اهمیت دارد برجسته می کند و درک شهودی از نحوه استفاده از این مفاهیم اصلی را ارائه می دهد. این کتاب بر هیچ زبان برنامه نویسی خاصی یا مجموعه ای از ابزارهای تجزیه و تحلیل داده تأکید نمی کند و در عوض بر بحث سطح بالا در مورد اصول مهم طراحی تمرکز می کند.

این متن آسان برای خواندن به طور ایده آل نیازهای دانشجویان مقطع کارشناسی و اولیه را برآورده می کند. شروع دوره "مقدمه ای بر علم داده". این نشان می دهد که چگونه این رشته در تقاطع آمار، علوم کامپیوتر و یادگیری ماشینی قرار دارد، با وزن و ویژگی خاص خود. تمرین‌کنندگان در این زمینه‌ها و زمینه‌های مرتبط، این کتاب را برای خودآموزی نیز مناسب می‌دانند.

ابزارهای یادگیری اضافی:

• شامل «داستان‌های جنگ» است که دیدگاه‌هایی در مورد نحوه کاربرد علم داده در دنیای واقعی ارائه می‌دهد
  
• شامل «مشکلات تکالیف» است، که یک دیدگاه گسترده ارائه می‌کند. طیف وسیعی از تمرین ها و پروژه ها برای خودآموزی
  
• مجموعه کاملی از اسلایدهای سخنرانی و سخنرانی های ویدئویی آنلاین را در www.data-manual.com ارائه می دهد
  
• ارائه «درس‌های خانه‌نشینی»، با تأکید بر مفاهیم تصویر بزرگ برای یادگیری از هر فصل
  
• «چالش‌های کاگل» هیجان‌انگیز را از پلتفرم آنلاین Kaggle توصیه می‌کند
  
< li>«شروع‌های نادرست» را برجسته می‌کند، و دلایل ظریف شکست برخی رویکردها را نشان می‌دهد

• نمونه‌هایی ارائه می‌دهد که از نمایش تلویزیونی علم داده «The Quant Shop» (www.quant-shop.com) گرفته شده است.
  

This engaging and clearly written textbook/reference provides a must-have introduction to the rapidly emerging interdisciplinary field of data science. It focuses on the principles fundamental to becoming a good data scientist and the key skills needed to build systems for collecting, analyzing, and interpreting data.

The Data Science Design Manual is a source of practical insights that highlights what really matters in analyzing data, and provides an intuitive understanding of how these core concepts can be used. The book does not emphasize any particular programming language or suite of data-analysis tools, focusing instead on high-level discussion of important design principles.

This easy-to-read text ideally serves the needs of undergraduate and early graduate students embarking on an “Introduction to Data Science” course. It reveals how this discipline sits at the intersection of statistics, computer science, and machine learning, with a distinct heft and character of its own. Practitioners in these and related fields will find this book perfect for self-study as well.

Additional learning tools:

• Contains “War Stories,” offering perspectives on how data science applies in the real world
  
• Includes “Homework Problems,” providing a wide range of exercises and projects for self-study
  
• Provides a complete set of lecture slides and online video lectures at www.data-manual.com
  
• Provides “Take-Home Lessons,” emphasizing the big-picture concepts to learn from each chapter
  
• Recommends exciting “Kaggle Challenges” from the online platform Kaggle
  
• Highlights “False Starts,” revealing the subtle reasons why certain approaches fail
  
• Offers examples taken from the data science television show “The Quant Shop” (www.quant-shop.com)