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:
نویسندگان: Diego Miranda-Saavedra
سری: Chapman & Hall/CRC Data Science Series
ISBN (شابک) : 1032369639, 9781032369631
ناشر: CRC Press/Chapman & Hall
سال نشر: 2022
تعداد صفحات: 299
[300]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 148 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب How to Think about Data Science 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 چگونه در مورد علم داده فکر کنیم 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.
این کتاب مقدمه ای به موقع و حیاتی برای کسانی است که علاقه مند به اینکه علم داده چیست (و نیست) و چگونه باید به کار گرفته شود. زبان محاوره ای است و محتوا بدون پیشینه کمی یا محاسباتی برای خوانندگان قابل دسترسی است. اما، در عین حال، یک مرور کلی عملی از این زمینه برای خوانندگان فنی تر است. هدف اصلی این است که این رشته را ابهام زدایی کنیم و به خواننده بیاموزیم که چگونه به جای پیروی از دستور العمل ها، یک ذهنیت تحلیلی ایجاد کند. این کتاب رویکرد دانشمند را برای تمرکز بر پرسیدن سؤال درست در هر مرحله اتخاذ می کند، زیرا این تنها مهم ترین عاملی است که در موفقیت یک پروژه علم داده نقش دارد. پس از اتمام این کتاب، خواننده باید بیشتر از آنچه من پاسخ داده ام سوال بپرسد. بنابراین، این کتاب یک رویکرد دانشمند مجرب برای توضیح علم داده از طریق پرسش ها و مثال ها است.
This book is a timely and critical introduction for those interested in what data science is (and isn’t), and how it should be applied. The language is conversational and the content is accessible for readers without a quantitative or computational background; but, at the same time, it is also a practical overview of the field for the more technical readers. The overarching goal is to demystify the field and teach the reader how to develop an analytical mindset instead of following recipes. The book takes the scientist’s approach of focusing on asking the right question at every step as this is the single most important factor contributing to the success of a data science project. Upon finishing this book, the reader should be asking more questions than I have answered. This book is, therefore, a practising scientist’s approach to explaining data science through questions and examples.