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 GUIDE TO INTELLIGENT DATA SCIENCE : how to intelligently make use of.

دانلود کتاب راهنمای علم داده هوشمند: نحوه استفاده هوشمندانه از.

GUIDE TO INTELLIGENT DATA SCIENCE : how to intelligently make use of.

مشخصات کتاب

GUIDE TO INTELLIGENT DATA SCIENCE : how to intelligently make use of.

ویرایش: 2 
 
سری:  
ISBN (شابک) : 9783030455736, 3030455734 
ناشر: SPRINGER NATURE 
سال نشر: 2020 
تعداد صفحات: 427 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 36,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب GUIDE TO INTELLIGENT DATA SCIENCE : how to intelligently make use of. 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 راهنمای علم داده هوشمند: نحوه استفاده هوشمندانه از. 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 درمورد کتاب به خارجی



فهرست مطالب

Guide to Intelligent Data Science
	Preface
	Contents
	Symbols
1 Introduction
	1.1 Motivation
		1.1.1 Data and Knowledge
		1.1.2 Tycho Brahe and Johannes Kepler
		1.1.3 Intelligent Data Science
	1.2 The Data Science Process
	1.3 Methods, Tasks, and Tools
	1.4 How to Read This Book
	References
2 Practical Data Science: An Example
	2.1 The Setup
	2.2 Data Understanding and Pattern Finding
	2.3 Explanation Finding
	2.4 Predicting the Future
	2.5 Concluding Remarks
3 Project Understanding
	3.1 Determine the Project Objective
	3.2 Assess the Situation
	3.3 Determine Analysis Goals
	3.4 Further Reading
	References
4 Data Understanding
	4.1 Attribute Understanding
	4.2 Data Quality
	4.3 Data Visualization
	4.4 Correlation Analysis
	4.5 Outlier Detection
		4.5.1 Outlier Detection for Single Attributes
		4.5.2 Outlier Detection for Multidimensional Data
	4.6 Missing Values
	4.7 A Checklist for Data Understanding
	4.8 Data Understanding in Practice
		4.8.1 Visualizing the Iris Data
	References
5 Principles of Modeling
	5.1 Model Classes
	5.2 Fitting Criteria and Score Functions
	5.3 Algorithms for Model Fitting
		5.3.1 Closed-Form Solutions
		5.3.2 Gradient Method
	5.4 Types of Errors
	5.5 Model Validation
		5.5.1 Training and Test Data
		5.5.2 Cross-Validation
		5.5.3 Bootstrapping
	5.6 Model Errors and Validation in Practice
		5.6.1 Scoring Models for Classification
	5.7 Further Reading
	References
6 Data Preparation
	6.1 Select Data
		6.1.1 Feature Selection
	6.2 Clean Data
		6.2.1 Improve Data Quality
		6.2.2 Missing Values
	6.3 Construct Data
		6.3.1 Provide Operability
	6.4 Complex Data Types
	6.5 Data Integration
		6.5.1 Vertical Data Integration
		6.5.2 Horizontal Data Integration
	6.6 Data Preparation in Practice
		6.6.1 Removing Empty or Almost Empty Attributes and Records in a Data Set
	6.7 Further Reading
	References
7 Finding Patterns
	7.1 Hierarchical Clustering
	7.2 Notion of (Dis-)Similarity
	7.3 Prototype- and Model-Based Clustering
		7.3.1 Overview
	7.4 Density-Based Clustering
		7.4.1 Overview
	7.5 Self-organizing Maps
		7.5.1 Overview
	7.6 Frequent Pattern Mining and Association Rules
		7.6.1 Overview
		7.6.2 Construction
	7.7 Deviation Analysis
		7.7.1 Overview
		7.7.2 Construction
	7.8 Finding Patterns in Practice
		7.8.1 Hierarchical Clustering
	7.9 Further Reading
	References
8 Finding Explanations
	8.1 Decision Trees
		8.1.1 Overview
	8.2 Bayes Classifiers
		8.2.1 Overview
		8.2.2 Construction
	8.3 Regression
		8.3.1 Overview
	8.4 Rule learning
		8.4.1 Propositional Rules
			8.4.1.1 Extracting Rules from Decision Trees
			8.4.1.2 Extracting Propositional Rules
	8.5 Finding Explanations in Practice
		8.5.1 Decision Trees
	8.6 Further Reading
	References
9 Finding Predictors
	9.1 Nearest-Neighbor Predictors
		9.1.1 Overview
	9.2 Artificial Neural Networks
		9.2.1 Overview
	9.3 Deep Learning
		9.3.1 Recurrent Neural Networks and Long-Short Term Memory Units
	9.4 Support Vector Machines
	9.5 Ensemble Methods
		9.5.1 Overview
		9.5.2 Construction
		9.5.3 Variations and Issues
			9.5.3.1 Tree Ensembles and Random Forests (Bagging)
	9.6 Finding Predictors in Practice
		9.6.1 k Nearest Neighbor (kNN)
	9.7 Further Reading
	References
10 Deployment and Model Management
	10.1 Model Deployment
		10.1.1 Interactive Applications
		10.1.2 Model Scoring as a Service
		10.1.3 Model Representation Standards
		10.1.4 Frequent Causes for Deployment Failures
	10.2 Model Management
		10.2.1 Model Updating and Retraining
	10.3 Model Deployment and Management in Practice
		10.3.1 Deployment to a Dashboard
	References
A Statistics
	A.1 Terms and Notation
	A.2 Descriptive Statistics
		A.2.1 Tabular Representations
	A.3 Probability Theory
		A.3.1 Probability
			A.3.1.1 Intuitive Notions of Probability
			A.3.1.2 The Formal Definition of Probability
		A.3.2 Basic Methods and Theorems
			A.3.2.1 Combinatorial Methods
			A.3.2.2 Geometric Probabilities
			A.3.2.3 Conditional Probability and Independent Events
			A.3.2.4 Total Probability and Bayes\' Rule
			A.3.2.5 Bernoulli\'s Law of Large Numbers
		A.3.3 Random Variables
			A.3.3.1 Real-Valued Random Variables
			A.3.3.2 Discrete Random Variables
			A.3.3.3 Continuous Random Variables
			A.3.3.4 Random Vectors
	A.4 Inferential Statistics
		A.4.1 Random Samples
		A.4.2 Parameter Estimation
			A.4.2.1 Point Estimation
			A.4.2.2 Point Estimation Examples
			A.4.2.3 Maximum Likelihood Estimation
			A.4.2.4 Maximum Likelihood Estimation Example
			A.4.2.5 Maximum A Posteriori Estimation
			A.4.2.6 Maximum A Posteriori Estimation Example
			A.4.2.7 Interval Estimation
			A.4.2.8 Interval Estimation Examples
		A.4.3 Hypothesis Testing
			A.4.3.1 Error Types and Significance Level
			A.4.3.2 Parameter Test
			A.4.3.3 Parameter Test Example
			A.4.3.4 Power of a Hypothesis Test
			A.4.3.5 Goodness-of-Fit Test
			A.4.3.6 Goodness-of-Fit Test Example
			A.4.3.7 (In)Dependence Test
B KNIME
	B.1 Installation and Overview
	B.2 Building Workflows
	B.3 Example Workflow
References
Index




نظرات کاربران