دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Julia for Data Science
دانلود کتاب جولیا برای علم داده
مشخصات کتاب
Julia for Data Science
ویرایش:
نویسندگان: Anshul Joshi
سری:
ISBN (شابک) : 1785289691, 9781785289699
ناشر: Packt Publishing
سال نشر: 2016
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 مگابایت
قیمت کتاب (تومان) : 51,000
کلمات کلیدی مربوط به کتاب جولیا برای علم داده: علوم کامپیوتر، هوش مصنوعی و یادگیری ماشین، بیوانفورماتیک، شبیه سازی کامپیوتر، سایبرنتیک، تعامل انسان و کامپیوتر، تئوری اطلاعات، رباتیک، تجزیه و تحلیل و طراحی سیستم ها، کامپیوتر و فناوری، پردازش داده ها، پایگاه های داده و داده های بزرگ، کامپیوتر و فناوری، علوم کامپیوتر، الگوریتم ها ,هوش مصنوعی,ذخیره و طراحی پایگاه داده, گرافیک و تجسم, شبکه سازی, طراحی نرم افزار شی گرا, سیستم عامل, زبان های برنامه نویسی, طراحی و مهندسی نرم افزار, کتاب های درسی جدید, مستعمل و اجاره ای, خاص
در صورت تبدیل فایل کتاب Julia for 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 جولیا برای علم داده 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 جولیا برای علم داده
ویژگی های کلیدی
- کاوش عمیق در اکوسیستم بسته های رو به رشد جولیا
- کار با قوی ترین کتابخانه های منبع باز برای یادگیری عمیق، بحث و گفتگوی داده ها، و تجسم داده ها
- درباره یادگیری عمیق با استفاده از Mocha.jl بیاموزید و به تجزیه و تحلیل داده ها در مجموعه داده های بزرگ سرعت و کارایی بالایی بدهید
شرح کتاب
Julia یک زبان سریع و با کارایی بالا است که برای علم داده با اکوسیستم بسته بالغ کاملاً مناسب است و اکنون ویژگی کامل شده است. این ابزار خوبی برای یک متخصص علوم داده است. پست معروفی در هاروارد بیزینس ریویو وجود داشت که می‌گوید دانشمند داده جذاب‌ترین شغل قرن بیست و یکم است. (https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century).
این کتاب به شما کمک می کند تا با اکوسیستم غنی جولیا آشنا شوید. ، که به طور مداوم در حال تکامل است و به شما امکان می دهد در بازی خود باقی بمانید.
این کتاب حاوی نکات ضروری علم داده است و نمای کلی سطح بالایی از آمار و تکنیک های پیشرفته را ارائه می دهد. شما وارد آن خواهید شد و با انجام آمار استنباطی روی ایجاد بینش کار خواهید کرد و الگوها و روندهای پنهان را با استفاده از داده کاوی آشکار خواهید کرد. این پوشش عملی آمار و یادگیری ماشین را دارد. دانشی را برای ساخت مدل‌های آماری و سیستم‌های یادگیری ماشین در جولیا با تجسم‌های جذاب توسعه خواهید داد.
سپس به دنیای یادگیری عمیق در جولیا خواهید پرداخت و چارچوب Mocha.jl را درک خواهید کرد که با آن می‌توانید ایجاد شبکه های عصبی مصنوعی و پیاده سازی یادگیری عمیق.
این کتاب به چالش های مسائل علم داده در دنیای واقعی، از جمله تمیز کردن داده ها، آماده سازی داده ها، آمار استنباطی، مدل سازی آماری، ساخت سیستم های یادگیری ماشینی با کارایی بالا و ایجاد تجسم های موثر با استفاده از جولیا.
آنچه یاد خواهید گرفت
- از مدل های آماری در جولیا برای تصمیم گیری های داده محور استفاده کنید
- درک فرآیند حذف داده ها و آماده سازی داده ها با استفاده از جولیا
- کاوش تکنیک ها برای تجسم داده ها با استفاده از بسته های مبتنی بر جولیا و D3
- استفاده از جولیا برای ایجاد سیستم های خودآموز با استفاده از الگوریتم های پیشرفته یادگیری ماشین
- با استفاده از جولیا، سیستم های یادگیری ماشینی تحت نظارت و بدون نظارت ایجاد کنید. همچنین، مدل‌های گروه را کاوش کنید
- یک موتور توصیه در جولیا بسازید
- در چارچوب یادگیری عمیق جولیا شیرجه بزنید و با استفاده از Mocha.jl یک سیستم بسازید
درباره نویسنده
Anshul Joshi یک متخصص علوم داده با بیش از 2 سال تجربه عمدتاً در زمینه داده munging، سیستم های توصیه، مدل سازی پیش بینی، و محاسبات توزیع شده است. او یک علاقه مند به یادگیری عمیق و هوش مصنوعی است. بیشتر اوقات، او می تواند در حال کاوش در GitHub یا امتحان هر چیز جدیدی که بتواند به آن دست پیدا کند، دستگیر شود. او در anshuljoshi.xyz وبلاگ می نویسد.
فهرست محتوا
- زمینه – محیط جولیا
- Munging داده
- کاوش داده ها
- نقشه عمیق در آمار استنباطی
- دریافت اطلاعات با استفاده از تجسم
- یادگیری ماشینی نظارت شده
- یادگیری ماشینی بدون نظارت < li>ایجاد مدل‌های گروه
- سری‌های زمانی
- سیستم فیلتر و توصیه‌های مشارکتی
- مقدمه‌ای بر یادگیری عمیق
توضیحاتی درمورد کتاب به خارجی
Key Features
- An in-depth exploration of Julia's growing ecosystem of packages
- Work with the most powerful open-source libraries for deep learning, data wrangling, and data visualization
- Learn about deep learning using Mocha.jl and give speed and high performance to data analysis on large data sets
Book Description
Julia is a fast and high performing language that's perfectly suited to data science with a mature package ecosystem and is now feature complete. It is a good tool for a data science practitioner. There was a famous post at Harvard Business Review that Data Scientist is the sexiest job of the 21st century. (https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century).
This book will help you get familiarised with Julia's rich ecosystem, which is continuously evolving, allowing you to stay on top of your game.
This book contains the essentials of data science and gives a high-level overview of advanced statistics and techniques. You will dive in and will work on generating insights by performing inferential statistics, and will reveal hidden patterns and trends using data mining. This has the practical coverage of statistics and machine learning. You will develop knowledge to build statistical models and machine learning systems in Julia with attractive visualizations.
You will then delve into the world of Deep learning in Julia and will understand the framework, Mocha.jl with which you can create artificial neural networks and implement deep learning.
This book addresses the challenges of real-world data science problems, including data cleaning, data preparation, inferential statistics, statistical modeling, building high-performance machine learning systems and creating effective visualizations using Julia.
What you will learn
- Apply statistical models in Julia for data-driven decisions
- Understanding the process of data munging and data preparation using Julia
- Explore techniques to visualize data using Julia and D3 based packages
- Using Julia to create self-learning systems using cutting edge machine learning algorithms
- Create supervised and unsupervised machine learning systems using Julia. Also, explore ensemble models
- Build a recommendation engine in Julia
- Dive into Julia’s deep learning framework and build a system using Mocha.jl
About the Author
Anshul Joshi is a data science professional with more than 2 years of experience primarily in data munging, recommendation systems, predictive modeling, and distributed computing. He is a deep learning and AI enthusiast. Most of the time, he can be caught exploring GitHub or trying anything new on which he can get his hands on. He blogs on anshuljoshi.xyz.
Table of Contents
- The Groundwork – Julia's Environment
- Data Munging
- Data Exploration
- Deep Dive into Inferential Statistics
- Making Sense of Data Using Visualization
- Supervised Machine Learning
- Unsupervised Machine Learning
- Creating Ensemble Models
- Time Series
- Collaborative Filtering and Recommendation System
- Introduction to Deep Learning
