دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data Science: Mindset, Methodologies, and Misconceptions
دانلود کتاب علم داده: ذهنیت، روش‌شناسی و باورهای غلط
مشخصات کتاب
Data Science: Mindset, Methodologies, and Misconceptions
ویرایش:
نویسندگان: Zacharias Voulgaris PhD [Zacharias Voulgaris PhD]
سری:
ناشر: Technics Publications
سال نشر: 2017
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 397 کیلوبایت
قیمت کتاب (تومان) : 30,000
در صورت تبدیل فایل کتاب Data Science: Mindset, Methodologies, and Misconceptions 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 علم داده: ذهنیت، روش‌شناسی و باورهای غلط 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 علم داده: ذهنیت، روش‌شناسی و باورهای غلط
بر مفاهیم و راهبردهای موفقیت و پیشرفت در علم داده
تسلط داشته باشید.
این کتاب از نویسنده کتاب‌های پرفروش، دانشمند داده و جولیا برای علم داده، چهار حوزه اساسی علم داده را پوشش می‌دهد. اولین حوزه، خط لوله علم داده شامل متدولوژی ها و جعبه ابزار دانشمند داده است. دومی، اقدامات ضروری برای درک داده ها از جمله سؤالات و فرضیه ها هستند. سومین تله‌هایی هستند که در فرآیند علم داده باید از آنها اجتناب کرد. چهارم، آگاهی از روندهای آینده و نحوه تطبیق فناوری های مدرن مانند هوش مصنوعی (AI) در چارچوب علم داده است.
فصل های زیر این چهار زمینه اساسی را پوشش می دهند:
این کتاب از نویسنده کتاب‌های پرفروش، دانشمند داده و جولیا برای علم داده، چهار حوزه اساسی علم داده را پوشش می‌دهد. اولین حوزه، خط لوله علم داده شامل متدولوژی ها و جعبه ابزار دانشمند داده است. دومی، اقدامات ضروری برای درک داده ها از جمله سؤالات و فرضیه ها هستند. سومین تله‌هایی هستند که در فرآیند علم داده باید از آنها اجتناب کرد. چهارم، آگاهی از روندهای آینده و نحوه تطبیق فناوری های مدرن مانند هوش مصنوعی (AI) در چارچوب علم داده است.
فصل های زیر این چهار زمینه اساسی را پوشش می دهند:
- فصل 1 - علم داده چیست؟
- فصل 2 - خط لوله علم داده
- فصل سوم - روش شناسی علم داده
- فصل 4 - جعبه ابزار دانشمند داده
- فصل 5 - سوالاتی که باید بپرسید و فرضیه هایی که بر اساس آنها ساخته شده اند
- فصل ششم - آزمایشات علم داده و ارزیابی نتایج آنها
- فصل هفتم - تحلیل حساسیت نتیجه گیری آزمایش
- فصل 8 - اشکالات برنامه نویسی
- فصل نهم - اشتباهات در فرآیند علم داده
- فصل 10 - برخورد موثر و کارآمد با اشکالات و اشتباهات
- فصل یازدهم - نقش اکتشافی در علم داده
- فصل 12 - نقش هوش مصنوعی در علم داده
- فصل سیزدهم - اخلاق علم داده
- فصل 14 - روندهای آینده و نحوه مرتبط ماندن
توضیحاتی درمورد کتاب به خارجی
Master the concepts and strategies underlying success
and progress in data science.
From the author of the bestsellers, Data Scientist and Julia for Data Science, this book covers four foundational areas of data science. The first area is the data science pipeline including methodologies and the data scientist's toolbox. The second are essential practices needed in understanding the data including questions and hypotheses. The third are pitfalls to avoid in the data science process. The fourth is an awareness of future trends and how modern technologies like Artificial Intelligence (AI) fit into the data science framework.
The following chapters cover these four foundational areas:
From the author of the bestsellers, Data Scientist and Julia for Data Science, this book covers four foundational areas of data science. The first area is the data science pipeline including methodologies and the data scientist's toolbox. The second are essential practices needed in understanding the data including questions and hypotheses. The third are pitfalls to avoid in the data science process. The fourth is an awareness of future trends and how modern technologies like Artificial Intelligence (AI) fit into the data science framework.
The following chapters cover these four foundational areas:
- Chapter 1 - What Is Data Science?
- Chapter 2 - The Data Science Pipeline
- Chapter 3 - Data Science Methodologies
- Chapter 4 - The Data Scientist's Toolbox
- Chapter 5 - Questions to Ask and the Hypotheses They Are Based On
- Chapter 6 - Data Science Experiments and Evaluation of Their Results
- Chapter 7 - Sensitivity Analysis of Experiment Conclusions
- Chapter 8 - Programming Bugs
- Chapter 9 - Mistakes Through the Data Science Process
- Chapter 10 - Dealing with Bugs and Mistakes Effectively and Efficiently
- Chapter 11 - The Role of Heuristics in Data Science
- Chapter 12 - The Role of AI in Data Science
- Chapter 13 - Data Science Ethics
- Chapter 14 - Future Trends and How to Remain Relevant
