Data Science in R

دسترسی موثر، تغییر شکل، دستکاری، تجسم، و دلیل در مورد داده ها و محاسبات

علوم داده در R: رویکرد مطالعات موردی to Computational Reasoning and Problem Solvingجزئیات مربوط به حل مسائل محاسباتی واقعی را که در تجزیه و تحلیل داده ها با آن مواجه می شوند را نشان می دهد. این فرآیند پویا و تکراری را نشان می دهد که توسط آن تحلیلگران داده به یک مسئله نزدیک می شوند و در مورد راه های مختلف پیاده سازی راه حل ها استدلال می کنند.

مجموعه کتاب پروژه‌ها، راه‌حل‌های نمونه جامع و تمرین‌های بعدی، موضوعات عملی مربوط به پردازش داده‌ها را در بر می‌گیرد، از جمله:

< p>
• فرمت‌های داده غیراستاندارد و پیچیده، مانند گزارش‌های ربات و پیام‌های ایمیل
• پردازش متن و عبارات منظم
• فناوری‌های جدیدتر، مانند Web scraping، Web خدمات، Keyhole Markup Language (KML) و Google Earth
• روش‌های آماری، مانند درخت‌های طبقه‌بندی، k-نزدیک‌ترین همسایگان، و naГЇve Bayes
• تجسم و تجزیه و تحلیل داده‌های اکتشافی
• پایگاه‌های اطلاعاتی رابطه‌ای و زبان جستجوی ساختاریافته (SQL)
• شبیه‌سازی
• اجرای الگوریتم
• داده‌های بزرگ و کارایی
< /ul>

مناسب برای خودآموزی یا به عنوان مطالعه تکمیلی در یک دوره محاسبات آماری، این کتاب به مربیان این امکان را می‌دهد تا مسائل جالبی را در دوره‌های خود بگنجانند تا دانش‌آموزان تجربیات ارزشمند و مهارت‌های علم داده را به دست آورند. دانش‌آموزان یاد می‌گیرند که چگونه داده‌های بدون ساختار یا نیمه‌ساختار یافته را جمع‌آوری کرده و با آن‌ها کار کنند و همچنین چگونه سؤالات مورد علاقه در مورد داده‌ها را محدود کرده و با دقت چارچوب‌بندی کنند.

ترکیب جزئیات محاسباتی با مفاهیم آماری و تحلیل داده‌ها. ، این کتاب درک درستی از نحوه تفکر دانشمندان حرفه ای داده در مورد وظایف محاسباتی روزانه را در اختیار خوانندگان قرار می دهد. این باعث بهبود استدلال محاسباتی خوانندگان در تجزیه و تحلیل داده های دنیای واقعی می شود.

Effectively Access, Transform, Manipulate, Visualize, and Reason about Data and Computation

Data Science in R: A Case Studies Approach to Computational Reasoning and Problem Solving illustrates the details involved in solving real computational problems encountered in data analysis. It reveals the dynamic and iterative process by which data analysts approach a problem and reason about different ways of implementing solutions.

The book’s collection of projects, comprehensive sample solutions, and follow-up exercises encompass practical topics pertaining to data processing, including:

• Non-standard, complex data formats, such as robot logs and email messages
• Text processing and regular expressions
• Newer technologies, such as Web scraping, Web services, Keyhole Markup Language (KML), and Google Earth
• Statistical methods, such as classification trees, k-nearest neighbors, and naГЇve Bayes
• Visualization and exploratory data analysis
• Relational databases and Structured Query Language (SQL)
• Simulation
• Algorithm implementation
• Large data and efficiency

Suitable for self-study or as supplementary reading in a statistical computing course, the book enables instructors to incorporate interesting problems into their courses so that students gain valuable experience and data science skills. Students learn how to acquire and work with unstructured or semistructured data as well as how to narrow down and carefully frame the questions of interest about the data.

Blending computational details with statistical and data analysis concepts, this book provides readers with an understanding of how professional data scientists think about daily computational tasks. It will improve readers’ computational reasoning of real-world data analyses.