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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Hector Cuesta سری: ISBN (شابک) : 1783280999, 9781783280995 ناشر: Packt Publishing سال نشر: 2013 تعداد صفحات: 360 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
کلمات کلیدی مربوط به کتاب تحلیل عملی داده ها: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی
در صورت تبدیل فایل کتاب Practical Data Analysis 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 تحلیل عملی داده ها 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.
تغییر، مدلسازی و تجسم دادههای خود را از طریق پروژههای عملی، توسعهیافته در ابزارهای منبع باز
نمای کلی
در جزئیات
بسیاری از مشاغل کوچک با آن روبرو هستند حجم زیادی از داده ها، اما فاقد مهارت های داخلی برای پشتیبانی از تجزیه و تحلیل کمی است. درک چگونگی استفاده از قدرت تجزیه و تحلیل داده ها با استفاده از آخرین فناوری منبع باز می تواند آنها را به ارائه خدمات بهتر به مشتریان، تجسم نیازهای مشتری یا حتی توانایی به دست آوردن بینش تازه در مورد عملکرد محصولات قبلی هدایت کند. تجزیه و تحلیل داده های عملی کتابی ایده آل برای کاربران خانگی و مشاغل کوچک است که می خواهند داده هایی را که در اختیار دارند با حداقل دردسر برش دهند و قطعه قطعه کنند.
تحلیل داده های عملی راهنمای عملی برای درک ماهیت است. داده های شما و تبدیل آن به بینش. شما را با استفاده از تکنیکهای یادگیری ماشین، تجزیه و تحلیل شبکههای اجتماعی و اقتصادسنجی آشنا میکند تا به مشتریان شما کمک کند تا بینشهایی درباره مجموعه دادههایی که در دست دارند به دست آورند. انجام آمادهسازی و پردازش دادهها بر روی انواع مختلفی از دادهها مانند متن، تصاویر، نمودارها، اسناد و سریهای زمانی نیز پوشش داده خواهد شد.
تحلیل دادههای عملی، کاوش دقیقی از کار فعلی در تجزیه و تحلیل دادهها را از طریق ارائه میدهد. پروژه های مستقل ابتدا اصول آماده سازی و تبدیل داده ها را از طریق OpenRefine بررسی خواهید کرد. سپس با استفاده از چارچوب تجسم D3js با تجزیه و تحلیل داده های اکتشافی شروع می کنید. شما همچنین با برخی از تکنیک های یادگیری ماشینی مانند طبقه بندی، رگرسیون و خوشه بندی از طریق پروژه های عملی مانند طبقه بندی هرزنامه ها، پیش بینی قیمت طلا و یافتن خوشه ها در شبکه دوستان فیس بوک خود آشنا خواهید شد. نحوه حل مشکلات در طبقه بندی متن، شبیه سازی، پیش بینی سری های زمانی، رسانه های اجتماعی و MapReduce را از طریق پروژه های دقیق یاد خواهید گرفت. در نهایت شما با استفاده از MapReduce با حجم زیادی از دادههای توییتر کار خواهید کرد تا تجزیه و تحلیل احساسات پیادهسازی شده در Python و MongoDB را انجام دهید.
تحلیل دادههای عملی شامل ترکیبی از الگوریتمهای با دقت انتخاب شده و پاکسازی دادهها است که به شما امکان میدهد دادههای خود را تغییر دهید. به بینش.
آنچه از این کتاب خواهید آموخت
رویکرد b>
تحلیل داده های عملی یک راهنمای عملی و گام به گام برای توانمندسازی مشاغل کوچک برای مدیریت و تجزیه و تحلیل داده های شما و استخراج اطلاعات ارزشمند از داده ها است
این کتاب برای چه کسی نوشته شده است
این کتاب برای توسعه دهندگان، کاربران کسب و کارهای کوچک و تحلیلگرانی است که می خواهند تجزیه و تحلیل داده ها و تجسم را برای شرکت خود به روشی عملی پیاده سازی کنند. شما نیازی به تجربه قبلی با تجزیه و تحلیل داده یا پردازش داده ندارید. با این حال، دانش اولیه برنامه نویسی، آمار و جبر خطی فرض شده است.
Transform, model, and visualize your data through hands-on projects, developed in open source tools
Overview
In Detail
Plenty of small businesses face big amounts of data but lack the internal skills to support quantitative analysis. Understanding how to harness the power of data analysis using the latest open source technology can lead them to providing better customer service, the visualization of customer needs, or even the ability to obtain fresh insights about the performance of previous products. Practical Data Analysis is a book ideal for home and small business users who want to slice and dice the data they have on hand with minimum hassle.
Practical Data Analysis is a hands-on guide to understanding the nature of your data and turn it into insight. It will introduce you to the use of machine learning techniques, social networks analytics, and econometrics to help your clients get insights about the pool of data they have at hand. Performing data preparation and processing over several kinds of data such as text, images, graphs, documents, and time series will also be covered.
Practical Data Analysis presents a detailed exploration of the current work in data analysis through self-contained projects. First you will explore the basics of data preparation and transformation through OpenRefine. Then you will get started with exploratory data analysis using the D3js visualization framework. You will also be introduced to some of the machine learning techniques such as, classification, regression, and clusterization through practical projects such as spam classification, predicting gold prices, and finding clusters in your Facebook friends' network. You will learn how to solve problems in text classification, simulation, time series forecast, social media, and MapReduce through detailed projects. Finally you will work with large amounts of Twitter data using MapReduce to perform a sentiment analysis implemented in Python and MongoDB.
Practical Data Analysis contains a combination of carefully selected algorithms and data scrubbing that enables you to turn your data into insight.
What you will learn from this book
Approach
Practical Data Analysis is a practical, step-by-step guide to empower small businesses to manage and analyze your data and extract valuable information from the data
Who this book is written for
This book is for developers, small business users, and analysts who want to implement data analysis and visualization for their company in a practical way. You need no prior experience with data analysis or data processing; however, basic knowledge of programming, statistics, and linear algebra is assumed.