مشخصات کتاب

Numsense! Data Science for the Layman (No Math Added)

ویرایش:  
نویسندگان: Annalyn Ng and Kenneth Soo  
سری:  
ISBN (شابک) : 9789811128226, 9789811127007 
ناشر:  
سال نشر: 2017 
تعداد صفحات: 109 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

کلمات کلیدی مربوط به کتاب بیهوده! علم داده برای افراد غیرمتخصص (بدون ریاضی اضافه شده): مهندسی فیبر نوری

در صورت تبدیل فایل کتاب Numsense! Data Science for the Layman (No Math Added) 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 بیهوده! علم داده برای افراد غیرمتخصص (بدون ریاضی اضافه شده) 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 بیهوده! علم داده برای افراد غیرمتخصص (بدون ریاضی اضافه شده)

آیا می خواهید علم داده را شروع کنید؟ قول ما: هیچ ریاضی اضافه نشده است. این کتاب به زبان عامیانه به عنوان مقدمه ای ملایم برای علم داده و الگوریتم های آن نوشته شده است. هر الگوریتم فصل اختصاصی خود را دارد که نحوه عملکرد آن را توضیح می‌دهد و نمونه‌ای از یک برنامه کاربردی در دنیای واقعی را نشان می‌دهد. برای کمک به درک مفاهیم کلیدی، ما به توضیحات و تصاویر بصری پایبند هستیم. مفاهیم رایج تحت پوشش عبارتند از: - تست A/B - تشخیص ناهنجاری - قوانین انجمن - خوشه بندی - درختان تصمیم گیری و جنگل های تصادفی - تجزیه و تحلیل رگرسیون - تحلیل شبکه های اجتماعی - شبکه های عصبی امکانات: - توضیحات و تصاویر بصری - برنامه های کاربردی دنیای واقعی برای نشان دادن هر الگوریتم - خلاصه نکات در پایان هر فصل - برگه های مرجع مقایسه جوانب مثبت و منفی الگوریتم ها - فهرست واژه نامه اصطلاحات پرکاربرد امیدواریم با این کتاب درک عملی از علم داده به شما ارائه دهیم تا شما نیز بتوانید از نقاط قوت آن در تصمیم گیری بهتر استفاده کنید.

توضیحاتی درمورد کتاب به خارجی

Want to get started on data science? Our promise: no math added. This book has been written in layman’s terms as a gentle introduction to data science and its algorithms. Each algorithm has its own dedicated chapter that explains how it works, and shows an example of a real-world application. To help you grasp key concepts, we stick to intuitive explanations and visuals. Popular concepts covered include: - A/B Testing - Anomaly Detection - Association Rules - Clustering - Decision Trees and Random Forests - Regression Analysis - Social Network Analysis - Neural Networks Features: - Intuitive explanations and visuals - Real-world applications to illustrate each algorithm - Point summaries at the end of each chapter - Reference sheets comparing the pros and cons of algorithms - Glossary list of commonly-used terms With this book, we hope to give you a practical understanding of data science, so that you, too, can leverage its strengths in making better decisions.

فهرست مطالب

Foreword
Preface
Why Data Science?
1. Basics in a Nutshell
	1.1 Data Preparation
	1.2 Algorithm Selection
	1.3 Parameter Tuning
	1.4 Evaluating Results
	1.5 Summary
2. k-Means Clustering
	2.1 Finding Customer Clusters
	2.2 Example: Personality Profiles of Movie Fans
	2.3 Defining Clusters
	2.4 Limitations
	2.5 Summary
3. Principal Component Analysis
	3.1 Exploring Nutritional Content of Food
	3.2 Principal Components
	3.3 Example: Analyzing Food Groups
	3.4 Limitations
	3.5 Summary
4. Association Rules
	4.1 Discovering Purchasing Patterns
	4.2 Support, Confidence and Lift
	4.3 Example: Transacting Grocery Sales
	4.4 Apriori Principle
	4.5 Limitations
	4.6 Summary
5. Social Network Analysis
	5.1 Mapping out Relationships
	5.2 Example: Geopolitics in Weapons Trade
	5.3 Louvain Method
	5.4 PageRank Algorithm
	5.5 Limitations
	5.6 Summary
6. Regression Analysis
	6.1 Deriving a Trend Line
	6.2 Example: Predicting House Prices
	6.3 Gradient Descent
	6.4 Regression Coefficients
	6.5 Correlation Coefficients
	6.6 Limitations
	6.7 Summary
7. k-Nearest Neighbors and Anomaly Detection
	7.1 Food Forensics
	7.2 Birds of a Feather Flock Together
	7.3 Example: Distilling Differences in Wine
	7.4 Anomaly Detection
	7.5 Limitations
	7.6 Summary
8. Support Vector Machine
	8.1 “No” or “Oh No”?
	8.2 Example: Predicting Heart Disease
	8.3 Delineating an Optimal Boundary
	8.4 Limitations
	8.5 Summary
9. Decision Tree
	9.1 Predicting Survival in a Disaster
	9.2 Example: Escaping from the Titanic
	9.3 Generating a Decision Tree
	9.4 Limitations
	9.5 Summary
10. Random Forests
	10.1 Wisdom of the Crowd
	10.2 Example: Forecasting Crime
	10.3 Ensembles
	10.4 Bootstrap Aggregating (Bagging)
	10.5 Limitations
	10.6 Summary
11. Neural Networks
	11.1 Building a Brain
	11.2 Example: Recognizing Handwritten Digits
	11.3 Components of a Neural Network
	11.4 Activation Rules
	11.5 Limitations
	11.6 Summary
12. A/B Testing and Multi-Armed Bandits
	12.1 Basics of A/B testing
	12.2 Limitations of A/B testing
	12.3 Epsilon-Decreasing Strategy
	12.4 Example: Multi-Arm Bandits
	12.5 Fun Fact: Sticking to the Winner
	12.6 Limitations of an Epsilon-Decreasing Strategy
	12.7 Summary
Appendix
	A. Overview of Unsupervised Learning Algorithms
	B. Overview of Supervised Learning Algorithms
	C. List of Tuning Parameters
	D. More Evaluation Metrics
Glossary
Data Sources and References
About the Authors

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Azure DevOps Explained

دانلود کتاب Project risk management guidelines: managing risk in large projects and complex procurements

دانلود کتاب Cúrate: Authentic Spanish Food from an American Kitchen

دانلود کتاب Phospholipases in Plant Signaling

دانلود کتاب Rechnungswesen: Fragen und Fälle mit Lösungen aus Rechnen und Buchführung