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 Data Science Handbook

دانلود کتاب کتاب راهنمای علم داده

Data Science Handbook

مشخصات کتاب

Data Science Handbook

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1119857333, 9781119857334 
ناشر: Wiley-Scrivener 
سال نشر: 2022 
تعداد صفحات: 480
[472] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 152 Mb

قیمت کتاب (تومان) : 35,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Data Science Handbook 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 کتاب راهنمای 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 کتاب راهنمای علم داده

راهنمای علم داده

این کتاب مرجع میز، تجربه عملی در مورد الگوریتم‌های مختلف و تکنیک‌های رایج مورد استفاده در زمان واقعی در علم داده را به همه محققانی که در حوزه‌های مختلف کار می‌کنند، می‌دهد.

علوم داده یکی از حوزه های پژوهش محور پیشرو در عصر مدرن است. نقش مهمی در مراقبت های بهداشتی، مهندسی، آموزش، مکاترونیک و رباتیک پزشکی دارد. ساخت مدل ها و کار با داده ها ارزش خنثی ندارد. ما مسائلی را که با آنها کار می‌کنیم انتخاب می‌کنیم، در این مدل‌ها مفروضاتی می‌سازیم و در مورد معیارها و الگوریتم‌های مسائل تصمیم می‌گیریم. دانشمند داده مشکلی را شناسایی می کند که با داده ها و ابزارهای خبره مدل سازی و کدگذاری قابل حل است.

این کتاب با مفاهیم مقدماتی در علم داده مانند داده munging، آماده سازی داده، و تبدیل داده ها شروع می شود. فصل 2 به تجسم داده ها، رسم نمودارها و هیستوگرام های مختلف می پردازد. فصل 3 ریاضیات و آمار برای علم داده را پوشش می دهد. فصل 4 عمدتاً بر روی الگوریتم های یادگیری ماشین در علم داده تمرکز دارد. فصل 5 شامل تجزیه و تحلیل پرت و الگوریتم DBSCAN است. فصل 6 بر خوشه بندی تمرکز دارد. فصل 7 به تحلیل شبکه می پردازد. فصل 8 عمدتاً بر روی رگرسیون و طبقه بندی کننده ساده و بی تکلف تمرکز دارد. فصل 9 تجسم داده های مبتنی بر وب را با Plotly پوشش می دهد. فصل 10 در مورد خراش دادن وب بحث می کند.

این کتاب با بخشی به بحث در مورد 19 پروژه در مورد موضوعات مختلف در علم داده خاتمه می یابد.

مخاطبان

این کتاب توسط دانشجویان تحصیلات تکمیلی تا پژوهشگران علوم کامپیوتر و مهندسی برق و همچنین مورد استفاده قرار خواهد گرفت. متخصصان صنعت در طیف وسیعی از صنایع مانند مراقبت های بهداشتی.


توضیحاتی درمورد کتاب به خارجی

DATA SCIENCE HANDBOOK

This desk reference handbook gives a hands-on experience on various algorithms and popular techniques used in real-time in data science to all researchers working in various domains.

Data Science is one of the leading research-driven areas in the modern era. It is having a critical role in healthcare, engineering, education, mechatronics, and medical robotics. Building models and working with data is not value-neutral. We choose the problems with which we work, make assumptions in these models, and decide on metrics and algorithms for the problems. The data scientist identifies the problem which can be solved with data and expert tools of modeling and coding.

The book starts with introductory concepts in data science like data munging, data preparation, and transforming data. Chapter 2 discusses data visualization, drawing various plots and histograms. Chapter 3 covers mathematics and statistics for data science. Chapter 4 mainly focuses on machine learning algorithms in data science. Chapter 5 comprises of outlier analysis and DBSCAN algorithm. Chapter 6 focuses on clustering. Chapter 7 discusses network analysis. Chapter 8 mainly focuses on regression and naive-bayes classifier. Chapter 9 covers web-based data visualizations with Plotly. Chapter 10 discusses web scraping.

The book concludes with a section discussing 19 projects on various subjects in data science.

Audience

The handbook will be used by graduate students up to research scholars in computer science and electrical engineering as well as industry professionals in a range of industries such as healthcare.



فهرست مطالب

Cover
Half-Title Page
Series Page
Title Page
Copyright Page
Dedication
Contents
Acknowledgment
Preface
1 Data Munging Basics
	1 Introduction
	1.1 Filtering and Selecting Data
	1.2 Treating Missing Values
	1.3 Removing Duplicatesduplicates
	1.4 Concatenating and Transforming Data
	1.5 Grouping and Data Aggregation
	References
2 Data Visualization
	2.1 Creating Standard Plots (Line, Bar, Pie)
	2.2 Defining Elements of a Plot
	2.3 Plot Formatting Segment 3 Plot formatting
	2.4 Creating Labels and Annotations
	2.5 Creating Visualizations from Time Series Data
	2.6 Constructing Histograms, Box Plots, and Scatter Plots
	References
3 Basic Math and Statistics
	3.1 Linear Algebra
	3.2 Calculus
		3.2.1 Differential Calculus
		3.2.2 Integral Calculus
	Statistics for Data Science
	3.3 Inferential Statistics
		3.3.1 Central Limit Theorem
		3.3.2 Hypothesis Testing
		3.3.3 ANOVA
		3.3.4 Qualitative Data Analysis
	3.4 Using NumPy to Perform Arithmetic Operations on Data
	3.5 Generating Summary Statistics Using Pandas and Scipy
	3.6 Summarizing Categorical Data Using Pandas
	3.7 Starting with Parametric Methods in Pandas and Scipy
	3.8 Delving Into Non-Parametric Methods Using Pandas and Scipy
	3.9 Transforming Dataset Distributions
	References
4 Introduction to Machine Learning
	4.1 Introduction to Machine Learning
	4.2 Types of Machine Learning Algorithms
	4.3 Explanatory Factor Analysis
	4.4 Principal Component Analysis (PCA)
	References
5 Outlier Analysis
	5.1 Extreme Value Analysis Using Univariate Methods
	5.2 Multivariate Analysis for Outlier Detection
	5.3 DBSCan Clustering to Identify Outliers
	References
6 Cluster Analysis
	6.1 K-Means Algorithm
	6.2 Hierarchial Methods
	6.3 Instance-Based Learning w/k-Nearest Neighbor
	References
7 Network Analysis with NetworkX
	7.1 Working with Graph Objects
	7.2 Simulating a Social Network (ie; Directed Network Analysis)
	7.3 Analyzing a Social Network
	References
8 Basic Algorithmic Learning
	8.1 Linear Regression
	8.2 Logistic Regression
	8.3 Naive Bayes Classifiers
	References
9 Web-Based Data Visualizations with Plotly
	9.1 Collaborative Analytics
	9.2 Basic Charts
	9.3 Statistical Charts
	9.4 Plotly Maps
	References
10 Web Scraping with Beautiful Soup
	10.1 The BeautifulSoup Object
	10.2 Exploring NavigableString Objects
	10.3 Data Parsing
	10.4 Web Scraping
	10.5 Ensemble Models with Random Forests
	References
11 Covid19 Detection and Prediction
	Bibliography
12 Leaf Disease Detection
	Bibliography
13 Brain Tumor Detection with Data Science
	Bibliography
14 Color Detection with Python
	Bibliography
15 Detecting Parkinson’s Disease
	Bibliography
16 Sentiment Analysis
	Bibliography
17 Road Lane Line Detection
	Bibliography
18 Fake News Detection
	Bibliography
19 Speech Emotion Recognition
	Bibliography
20 Gender and Age Detection with Data Science
	Bibliography
21 Diabetic Retinopathy
	Bibliography
22 Driver Drowsiness Detection in Python
	Bibliography
23 Chatbot Using Python
	Bibliography
24 Handwritten Digit Recognition Project
	Bibliography
25 Image Caption Generator Project in Python
	Bibliography
26 Credit Card Fraud Detection Project
	Bibliography
27 Movie Recommendation System
	Bibliography
28 Customer Segmentation
	Bibliography
29 Breast Cancer Classification
	Bibliography
30 Traffic Signs Recognition
	Bibliography
EULA




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی