دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Jerry Overton
سری:
ISBN (شابک) : 9781491956083
ناشر: O’Reilly Media, Inc.
سال نشر: 2016
تعداد صفحات: 59
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 Mb
در صورت تبدیل فایل کتاب Going Pro in Data Science: What It Takes to Succeed as a Professional Data Scientist 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 حرفه ای شدن در علم داده: آنچه برای موفقیت به عنوان یک دانشمند حرفه ای داده لازم است 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.
Strata Copyright Table of Contents Chapter 1. Introduction Finding Signals in the Noise Data Science that Works Chapter 2. How to Get a Competitive Advantage Using Data Science The Standard Story Line for Getting Value from Data Science An Alternative Story Line for Getting Value from Data Science The Importance of the Scientific Method Chapter 3. What to Look for in a Data Scientist A Realistic Skill Set Realistic Expectations Chapter 4. How to Think Like a Data Scientist Practical Induction The Logic of Data Science Treating Data as Evidence Chapter 5. How to Write Code The Professional Data Science Programmer Think Like a Pro Design Like a Pro Build Like a Pro Learn Like a Pro Chapter 6. How to Be Agile An Example Using the StackOverflow Data Explorer Putting the Results into Action Lessons Learned from a Minimum Viable Experiment Don’t Worry, Be Crappy Chapter 7. How to Survive in Your Organization You Need a Network You Need A Patron You Need Partners It’s a Jungle Out There Chapter 8. The Road Ahead Data Science Today Data Science Tomorrow Index About the Author