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: Tony Ojeda, Sean Patrick Murphy, Benjamin Bengfort, Abhijit Dasgupta سری: ISBN (شابک) : 9781783980246 ناشر: Packt Publishing سال نشر: 2014 تعداد صفحات: 396 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Practical Data Science Cookbook: 89 hands-on recipes to help you complete real-world data science projects in R and Python 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 کتاب آشپزی علوم داده عملی: 89 دستور العمل های دستی برای کمک به شما در تکمیل پروژه های علوم داده در دنیای واقعی در R و Python 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.
با شروع با اصول، این کتاب نحوه تنظیم محیط برنامه نویسی عددی خود را پوشش می دهد، شما را با خط لوله علم داده (فرآیندی تکراری که توسط آن پروژه های علم داده تکمیل می شود) آشنا می کند و شما را در چندین پروژه داده به صورت گام به گام راهنمایی می کند. فرمت مرحله ای با انجام متوالی مراحل در هر فصل، به سرعت خود را با این فرآیند آشنا خواهید کرد و یاد خواهید گرفت که چگونه آن را در موقعیت های مختلف با مثال هایی در دو زبان برنامه نویسی محبوب برای تجزیه و تحلیل داده ها - R و Python به کار ببرید.
Starting with the basics, this book will cover how to set up your numerical programming environment, introduce you to the data science pipeline (an iterative process by which data science projects are completed), and guide you through several data projects in a step-by-step format. By sequentially working through the steps in each chapter, you will quickly familiarize yourself with the process and learn how to apply it to a variety of situations with examples in the two most popular programming languages for data analysis - R and Python.