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: 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
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.
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