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: Mindset, Methodologies, and Misconceptions

دانلود کتاب علوم داده: طرز فکر ، روش ها و باورهای غلط

مشخصات کتاب

Data Science: Mindset, Methodologies, and Misconceptions

ویرایش: 1st 
نویسندگان: Zacharias Voulgaris  
سری:  
ISBN (شابک) : 1634622561, 9781634622561 
ناشر: Technics Publications 
سال نشر: 2017 
تعداد صفحات: 159 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 29,000

کلمات کلیدی مربوط به کتاب علوم داده: طرز فکر ، روش ها و باورهای غلط: آمار، آموزش و مرجع، کسب و کار و پول، شبیه سازی کامپیوتر، علوم کامپیوتر، کامپیوتر و فناوری، داده کاوی، پایگاه های داده و کلان داده، کامپیوتر و فناوری، الگوریتم ها، ساختارهای داده، ژنتیک، مدیریت حافظه، برنامه نویسی، کامپیوتر و فناوری، آمار، کاربردی، ریاضیات، علوم و ریاضی، آموزش و تدریس، آموزش عالی و مداوم، مدارس و تدریس، مطالعه و کتاب کار، آمادگی آزمون

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 7

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 علوم داده: طرز فکر ، روش ها 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 علوم داده: طرز فکر ، روش ها و باورهای غلط

بر مفاهیم و استراتژی‌های موفقیت و پیشرفت در علم داده تسلط داشته باشید.

از نویسنده کتاب‌های پرفروش، دانشمند داده و جولیا برای علم داده ، این کتاب چهار حوزه اساسی علم داده را پوشش می دهد. 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 حوزه اساسی را پوشش می دهند:

فصل 1 - علم داده چیست؟
فصل 2 - خط لوله علم داده
فصل 3 - روش های علم داده
فصل 4 - جعبه ابزار دانشمند داده
فصل 5 - سوالاتی که باید بپرسید و فرضیه هایی که بر اساس آنها هستند
فصل ششم - آزمایشات علم داده و ارزیابی نتایج آنها
فصل 7 - تجزیه و تحلیل حساسیت نتیجه گیری های آزمایش
فصل 8 - اشکالات برنامه نویسی
فصل 9 - اشتباهات در فرآیند علم داده
فصل 10 - مقابله با اشکالات و اشتباهات به طور موثر و کارآمد
فصل 11 - نقش اکتشافی در علم داده
فصل 12 - نقش هوش مصنوعی در علم داده
فصل 13 - اخلاق علم داده
فصل 14 - روندهای آینده و چگونه مرتبط باقی بمانیم

هدف این کتاب برای یادگیرندگان علوم داده در تمام سطوح، این است که به خواننده کمک کند فراتر از تکنیک های علم داده رفته و درک جامع تری و عمیق تر از آنچه علم داده مستلزم آن است به دست آورد. این کتاب با تمرکز بر مشکلاتی که علم داده برای حل آن تلاش می کند، خواننده را به چالش می کشد تا به یک بازیگر خودکفا در این زمینه تبدیل شود.

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:

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

Targeted towards data science learners of all levels, this book aims to help the reader go beyond data science techniques and obtain a more holistic and deeper understanding of what data science entails. With a focus on the problems data science tries to solve, this book challenges the reader to become a self-sufficient player in the field.