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: Miriah Meyer. Danyel Fisher
سری:
ناشر: O'Reilly Media
سال نشر: 2016
تعداد صفحات: 65
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Making Sense of Data Designing Effective Visualizations 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 حس طراحی داده های تجسم موثر 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.
شما انبوهی از داده ها را در مقابل خود دارید و مجموعه ای از
ابزارهای محاسباتی را در اختیار دارید. و با این حال، شما در مورد
چگونگی تبدیل این داده ها به بینش شگفت زده شده اید. کدام بخش از
آن داده ها واقعاً مهم است، و این بینش در کجا پنهان شده
است؟
اگر شما یک دانشمند داده هستید که در تلاش برای حرکت در فضای تیره
بین داده ها و بینش هستید، این کتاب به شما کمک می کند تا در مورد
داده ها فکر کنید و به داده های بصری تغییر شکل دهید. اکتشاف. این
برای دانشمندان داده نسبتاً جدید ایدهآل است، کسانی که ممکن است
از رایانه و دادهها آگاه باشند، اما هنوز نمیدانند چگونه
نمایشهای مؤثر و قابل کاوش دادهها را ایجاد کنند.
You have a mound of data sitting in front of you and a suite of
computation tools at your disposal. And yet, you’re stumped as
to how to turn that data into insight. Which part of that data
actually matters, and where is this insight hidden?
If you’re a data scientist who struggles to navigate the murky
space between data and insight, this book will help you think
about and reshape data for visual data exploration. It’s ideal
for relatively new data scientists, who may be
computer-knowledgeable and data-knowledgeable, but do not yet
know how to create effective, explorable representations of
data.