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 Humanities Data Analysis: Case Studies with Python

دانلود کتاب تجزیه و تحلیل داده های علوم انسانی: مطالعات موردی با پایتون

Humanities Data Analysis: Case Studies with Python

مشخصات کتاب

Humanities Data Analysis: Case Studies with Python

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 0691172366, 9780691172361 
ناشر: Princeton University Press 
سال نشر: 2021 
تعداد صفحات: 353 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 63 مگابایت

قیمت کتاب (تومان) : 44,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Humanities Data Analysis: Case Studies with Python 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 تجزیه و تحلیل داده های علوم انسانی: مطالعات موردی با پایتون 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 تجزیه و تحلیل داده های علوم انسانی: مطالعات موردی با پایتون



راهنمای عملی برای تحقیقات علوم انسانی با داده فشرده با استفاده از زبان برنامه نویسی پایتون

استفاده از روش های کمی در علوم انسانی و علوم اجتماعی مرتبط در سال های اخیر به طور قابل توجهی افزایش یافته است و این امکان را به شما می دهد. محققان برای کشف الگوها در طیف وسیعی از مواد منبع. با وجود این رشد، منابع کمی برای دانشجویان و دانش پژوهان وجود دارد که مایل به استفاده از این ابزار قدرتمند هستند. تحلیل داده های علوم انسانی اولین راهنمای سطح متوسط ​​برای تجزیه و تحلیل داده های کمی را برای دانشجویان و دانش پژوهان علوم انسانی با استفاده از زبان برنامه نویسی پایتون ارائه می دهد. این کتاب درسی کاربردی که دانش پایه پایتون را در نظر می گیرد، مهارت های لازم برای انجام تحقیقات علوم انسانی را در محیط دیجیتالی که به سرعت در حال توسعه است به خوانندگان می آموزد.

کتاب با مروری بر جایگاه علم داده در علوم انسانی آغاز می شود. و به پوشش داده‌های نجاری ادامه می‌دهد: تکنیک‌های ضروری برای جمع‌آوری، تمیز کردن، نمایش و تبدیل داده‌های متنی و جدولی. سپس، با استفاده از مجموعه‌های داده‌های در دسترس عموم در دنیای واقعی که دامنه‌های علمی مختلفی را پوشش می‌دهد، این کتاب به مطالعات موردی دقیق می‌پردازد. با تمرکز بر تجزیه و تحلیل داده های متنی، نویسندگان موضوعات متنوعی مانند تجزیه و تحلیل شبکه، نظریه ژانر، علم شناسی، سواد، اسناد نویسنده، نقشه برداری، سبک سنجی، مدل سازی موضوع، و تجزیه و تحلیل سری های زمانی را بررسی می کنند. تمرین ها و منابع برای مطالعه بیشتر در پایان هر فصل ارائه شده است.

منبعی ایده آل برای دانشجویان و دانش پژوهان علوم انسانی که قصد دارند مهارت های پایتون خود را به سطح بعدی ببرند، تحلیل داده های علوم انسانی مزایایی را که روش‌های کمی می‌توانند برای پرسش‌های پژوهشی پیچیده به ارمغان بیاورند را نشان می‌دهد.

  • مناسب برای دانشجویان پیشرفته، دانشجویان کارشناسی ارشد، و دانش پژوهان با دانش پایه پایتون
  • قابل اجرا برای بسیاری از رشته‌های علوم انسانی، از جمله تاریخ، ادبیات، و جامعه‌شناسی
  • مطالعات موردی در دنیای واقعی را با استفاده از مجموعه‌های داده‌های در دسترس عموم ارائه می‌دهد
  • تمرین‌هایی را در پایان هر فصل برای دانش‌آموزان ارائه می‌دهد تا آنها را امتحان کنند. مهارت ها
  • بر داستان سرایی بصری از طریق تجسم داده ها تأکید می کند

توضیحاتی درمورد کتاب به خارجی

A practical guide to data-intensive humanities research using the Python programming language

The use of quantitative methods in the humanities and related social sciences has increased considerably in recent years, allowing researchers to discover patterns in a vast range of source materials. Despite this growth, there are few resources addressed to students and scholars who wish to take advantage of these powerful tools. Humanities Data Analysis offers the first intermediate-level guide to quantitative data analysis for humanities students and scholars using the Python programming language. This practical textbook, which assumes a basic knowledge of Python, teaches readers the necessary skills for conducting humanities research in the rapidly developing digital environment.

The book begins with an overview of the place of data science in the humanities, and proceeds to cover data carpentry: the essential techniques for gathering, cleaning, representing, and transforming textual and tabular data. Then, drawing from real-world, publicly available data sets that cover a variety of scholarly domains, the book delves into detailed case studies. Focusing on textual data analysis, the authors explore such diverse topics as network analysis, genre theory, onomastics, literacy, author attribution, mapping, stylometry, topic modeling, and time series analysis. Exercises and resources for further reading are provided at the end of each chapter.

An ideal resource for humanities students and scholars aiming to take their Python skills to the next level, Humanities Data Analysis illustrates the benefits that quantitative methods can bring to complex research questions.

  • Appropriate for advanced undergraduates, graduate students, and scholars with a basic knowledge of Python
  • Applicable to many humanities disciplines, including history, literature, and sociology
  • Offers real-world case studies using publicly available data sets
  • Provides exercises at the end of each chapter for students to test acquired skills
  • Emphasizes visual storytelling via data visualizations


فهرست مطالب

Cover
Contents
Preface
I: Data Analysis Essentials
	Chapter 1. Introduction
		1.1 Quantitative Data Analysis and the Humanities
		1.2 Overview of the Book
		1.3 Related Books
		1.4 How to Use This Book
			1.4.1 What you should know
			1.4.2 Packages and data
			1.4.3 Exercises
		1.5 An Exploratory Data Analysis of the United States’
 Culinary History
		1.6 Cooking with Tabular Data
		1.7 Taste Trends in Culinary US History
		1.8 America’s Culinary Melting Pot
		1.9 Further Reading
	Chapter 2. Parsing and Manipulating Structured Data
		2.1 Introduction
		2.2 Plain Text
		2.3 CSV
		2.4 PDF
		2.5 JSON
		2.6 XML
			2.6.1 Parsing XML
			2.6.2 Creating XML
			2.6.3 TEI
		2.7 HTML
			2.7.1 Retrieving HTML from the web
		2.8 Extracting Character Interaction Networks
		2.9 Conclusion and Further Reading
	Chapter 3. Exploring Texts Using the Vector Space Model
		3.1 Introduction
		3.2 From Texts to Vectors
			3.2.1 Text preprocessing
		3.3 Mapping Genres
			3.3.1 Computing distances between documents
			3.3.2 Nearest neighbors
		3.4 Further Reading
		3.5 Appendix: Vectorizing Texts with NumPy
			3.5.1 Constructing arrays
			3.5.2 Indexing and slicing arrays
			3.5.3 Aggregating functions
			3.5.4 Array broadcasting
	Chapter 4. Processing Tabular Data
		4.1 Loading, Inspecting, and Summarizing Tabular Data
			4.1.1 Reading tabular data with Pandas
		4.2 Mapping Cultural Change
			4.2.1 Turnover in naming practices
			4.2.2 Visualizing turnovers
		4.3 Changing Naming Practices
			4.3.1 Increasing name diversity
			4.3.2 A bias for names ending in n?
			4.3.3 Unisex names in the United States
		4.4 Conclusions and Further Reading
II: Advanced Data Analysis
	Chapter 5. Statistics Essentials: Who Reads Novels?
		5.1 Introduction
		5.2 Statistics
		5.3 Summarizing Location and Dispersion
			5.3.1 Data: Novel reading in the United States
		5.4 Location
		5.5 Dispersion
			5.5.1 Variation in categorical values
		5.6 Measuring Association
			5.6.1 Measuring association between numbers
			5.6.2 Measuring association between categories
			5.6.3 Mutual information
		5.7 Conclusion
		5.8 Further Reading
	Chapter 6. Introduction to Probability
		6.1 Uncertainty and Thomas Pynchon
		6.2 Probability
			6.2.1 Probability and degree of belief
		6.3 Example: Bayes’s Rule and Authorship Attribution
			6.3.1 Random variables and probability distributions
		6.4 Further Reading
		6.5 Appendix
			6.5.1 Bayes’s rule
			6.5.2 Fitting a negative binomial distribution
	Chapter 7. Narrating with Maps
		7.1 Introduction
		7.2 Data Preparations
		7.3 Projections and Basemaps
		7.4 Plotting Battles
		7.5 Mapping the Development of the War
		7.6 Further Reading
	Chapter 8. Stylometry and the Voice of Hildegard
		8.1 Introduction
		8.2 Authorship Attribution
			8.2.1 Burrows’s Delta
			8.2.2 Function words
			8.2.3 Computing document distances with Delta
			8.2.4 Authorship attribution evaluation
		8.3 Hierarchical Agglomerative Clustering
			8.4.1 Applying PCA
			8.4.2 The intuition behind PCA
			8.4.3 Loadings
		8.4 Principal Component Analysis
		8.5 Conclusions
		8.6 Further Reading
	Chapter 9. A Topic Model of United States Supreme  Court Opinions, 1900–2000
		9.1 Introduction
		9.2 Mixture Models: Artwork Dimensions
 in the Tate Galleries
		9.3 Mixed-Membership Model of Texts
			9.3.1 Parameter estimation
			9.3.2 Checking an unsupervised model
			9.3.3 Modeling different word senses
			9.3.4 Exploring trends over time in the Supreme Court
		9.4 Conclusion
		9.5 Further Reading
		9.6 Appendix: Mapping Between Our Topic Model and Lauderdale and Clark (2014)
Epilogue: Good Enough Practices
Bibliography
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی