برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Practical Statistics for Data Scientist

دانلود کتاب آمار عملی برای دانشمند داده

مشخصات کتاب

Practical Statistics for Data Scientist

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Peter Bruce. Andrew Bruce  
سری:  
ISBN (شابک) : 9781491952962 
ناشر: O’Reilly 
سال نشر: 2017 
تعداد صفحات: 562 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 مگابایت

قیمت کتاب (تومان) : 45,000

کلمات کلیدی مربوط به کتاب آمار عملی برای دانشمند داده: ر، آمار

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 17

در صورت تبدیل فایل کتاب Practical Statistics for Data Scientist 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 آمار عملی برای دانشمند 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 آمار عملی برای دانشمند داده

روش‌های آماری بخش کلیدی علم داده هستند، اما تعداد بسیار کمی از دانشمندان داده‌ها آموزش رسمی آماری دارند. دوره ها و کتاب های آمار پایه به ندرت موضوع را از منظر علم داده پوشش می دهند. این راهنمای عملی نحوه به کارگیری روش‌های آماری مختلف را در علم داده توضیح می‌دهد، به شما می‌گوید چگونه از سوءاستفاده از آنها جلوگیری کنید، و توصیه‌هایی در مورد آنچه مهم است و چه چیزی نیست به شما می‌دهد. بسیاری از منابع علم داده از روش های آماری استفاده می کنند، اما فاقد دیدگاه آماری عمیق تر هستند. اگر با زبان برنامه نویسی R آشنا هستید و در معرض آمار و ارقام هستید، این مرجع سریع شکاف را در قالبی قابل دسترس و خوانا پر می کند. با این کتاب یاد خواهید گرفت: چرا تجزیه و تحلیل داده های اکتشافی یک مرحله اولیه کلیدی در علم داده است چگونه نمونه‌گیری تصادفی می‌تواند سوگیری را کاهش دهد و مجموعه داده با کیفیت بالاتری را حتی با داده‌های بزرگ به دست آورد چگونه اصول طراحی آزمایشی پاسخ های قطعی به سوالات می دهد نحوه استفاده از رگرسیون برای برآورد نتایج و تشخیص ناهنجاری ها تکنیک های طبقه بندی کلیدی برای پیش بینی اینکه یک رکورد به کدام دسته ها تعلق دارد روش های آماری یادگیری ماشینی که از داده ها "یاد می گیرند". روش های یادگیری بدون نظارت برای استخراج معنا از داده های بدون برچسب

توضیحاتی درمورد کتاب به خارجی

Statistical methods are a key part of of data science, yet very few data scientists have any formal statistics training. Courses and books on basic statistics rarely cover the topic from a data science perspective. This practical guide explains how to apply various statistical methods to data science, tells you how to avoid their misuse, and gives you advice on what's important and what's not. Many data science resources incorporate statistical methods but lack a deeper statistical perspective. If you’re familiar with the R programming language, and have some exposure to statistics, this quick reference bridges the gap in an accessible, readable format. With this book, you’ll learn: Why exploratory data analysis is a key preliminary step in data science How random sampling can reduce bias and yield a higher quality dataset, even with big data How the principles of experimental design yield definitive answers to questions How to use regression to estimate outcomes and detect anomalies Key classification techniques for predicting which categories a record belongs to Statistical machine learning methods that “learn” from data Unsupervised learning methods for extracting meaning from unlabeled data