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: Zacharias Voulgaris PhD [Zacharias Voulgaris PhD]
سری:
ناشر: Technics Publications
سال نشر: 2016
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 830 کیلوبایت
قیمت کتاب (تومان) : 37,000
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
به نحوه استفاده از زبان جولیا برای حل چالش‌های حیاتی
علم داده در کسب و کار مسلط شوید. پس از پرداختن به اهمیت جولیا
برای جامعه علم داده و چندین اصل ضروری علم داده، با اصول اولیه
از جمله نحوه نصب جولیا و کتابخانه های قدرتمند آن شروع می کنیم.
مثال‌های زیادی ارائه می‌شود که نحوه استفاده از هر دستور، مجموعه
داده و تابع جولیا را نشان می‌دهیم.
بسته های اسکریپت تخصصی معرفی و تشریح می شوند. مشکلات عملی که نماینده مشکلاتی هستند که معمولاً در سراسر خط لوله علم داده با آن مواجه می شوند ارائه شده است، و ما شما را در استفاده از جولیا در حل آنها با استفاده از مجموعه داده های منتشر شده راهنمایی می کنیم. بسیاری از این سناریوها از بسته‌های موجود و توابع داخلی استفاده می‌کنند، همانطور که پوشش می‌دهیم:
بسته های اسکریپت تخصصی معرفی و تشریح می شوند. مشکلات عملی که نماینده مشکلاتی هستند که معمولاً در سراسر خط لوله علم داده با آن مواجه می شوند ارائه شده است، و ما شما را در استفاده از جولیا در حل آنها با استفاده از مجموعه داده های منتشر شده راهنمایی می کنیم. بسیاری از این سناریوها از بسته‌های موجود و توابع داخلی استفاده می‌کنند، همانطور که پوشش می‌دهیم:
- مروری بر خط لوله علم داده به همراه مثالی که نکات کلیدی را نشان می دهد، که در جولیا پیاده سازی شده است
- گزینه هایی برای Julia IDE
- ساختارها و توابع برنامه نویسی
- کارهای مهندسی مانند وارد کردن، تمیز کردن، قالب‌بندی و ذخیره داده‌ها و همچنین انجام پیش پردازش داده‌ها
- تجسم داده ها و برخی آمارهای ساده و در عین حال قدرتمند برای اهداف اکتشاف داده
- کاهش ابعاد و ارزیابی ویژگی
- روش‌های یادگیری ماشینی، از بدون نظارت (انواع مختلف خوشه‌بندی) تا روش‌های نظارت شده (درخت‌های تصمیم‌گیری، جنگل‌های تصادفی، شبکه‌های عصبی پایه، درختان رگرسیون، و ماشین‌های یادگیری شدید)
- تجزیه و تحلیل نمودار شامل مشخص کردن ارتباط بین موجودات مختلف و نحوه استخراج آنها برای بینش مفید.
توضیحاتی درمورد کتاب به خارجی
Master how to use the Julia language to solve business
critical data science challenges. After covering the importance
of Julia to the data science community and several essential
data science principles, we start with the basics including how
to install Julia and its powerful libraries. Many examples are
provided as we illustrate how to leverage each Julia command,
dataset, and function.
Specialized script packages are introduced and described. Hands-on problems representative of those commonly encountered throughout the data science pipeline are provided, and we guide you in the use of Julia in solving them using published datasets. Many of these scenarios make use of existing packages and built-in functions, as we cover:
Specialized script packages are introduced and described. Hands-on problems representative of those commonly encountered throughout the data science pipeline are provided, and we guide you in the use of Julia in solving them using published datasets. Many of these scenarios make use of existing packages and built-in functions, as we cover:
- An overview of the data science pipeline along with an example illustrating the key points, implemented in Julia
- Options for Julia IDEs
- Programming structures and functions
- Engineering tasks, such as importing, cleaning, formatting and storing data, as well as performing data preprocessing
- Data visualization and some simple yet powerful statistics for data exploration purposes
- Dimensionality reduction and feature evaluation
- Machine learning methods, ranging from unsupervised (different types of clustering) to supervised ones (decision trees, random forests, basic neural networks, regression trees, and Extreme Learning Machines)
- Graph analysis including pinpointing the connections among the various entities and how they can be mined for useful insights.
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Bacterial Metabolism
دانلود کتاب INSET For NQTs: An inschool course for teachers in the primary school
