مشخصات کتاب

Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python

ویرایش:  
نویسندگان: Peter Bruce,  Andrew Bruce,  Peter Gedeck  
سری:  
ISBN (شابک) : 149207294X, 9781492072942 
ناشر: O'Reilly Media 
سال نشر: 2020 
تعداد صفحات: 368 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 Mb 

در صورت تبدیل فایل کتاب Practical Statistics for Data Scientists: 50+ Essential Concepts Using 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 آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از 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.

توضیحاتی در مورد کتاب آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python

روش های آماری بخش کلیدی علم داده هستند، با این حال تعداد کمی از دانشمندان داده آموزش آماری رسمی دارند. دوره ها و کتاب های آمار پایه به ندرت موضوع را از منظر علم داده پوشش می دهند. ویرایش دوم این راهنمای محبوب مثال‌های جامعی را در پایتون اضافه می‌کند، راهنمایی‌های عملی در مورد به‌کارگیری روش‌های آماری در علم داده ارائه می‌کند، به شما می‌گوید چگونه از سوءاستفاده از آنها جلوگیری کنید، و توصیه‌هایی در مورد آنچه مهم است و چه چیزی نیست به شما ارائه می‌دهد.

بسیاری از منابع علم داده از روش های آماری استفاده می کنند، اما فاقد دیدگاه آماری عمیق تر هستند. اگر با زبان های برنامه نویسی R یا Python آشنایی دارید و در معرض آمار و ارقام هستید، این مرجع سریع شکاف را در قالبی قابل دسترس و خواندنی پر می کند.

با این کتاب، یاد خواهید گرفت:< br />

چرا تجزیه و تحلیل داده های اکتشافی یک گام مقدماتی کلیدی در علم داده است
چگونه نمونه گیری تصادفی می تواند سوگیری را کاهش دهد و مجموعه داده با کیفیت بالاتری را حتی با داده های بزرگ به دست آورد
چگونه اصول طراحی آزمایشی پاسخ های قطعی به سؤالات می دهد
چگونه از رگرسیون برای تخمین نتایج و تشخیص ناهنجاری ها استفاده کنیم
تکنیک های طبقه بندی کلیدی برای پیش بینی اینکه یک رکورد به کدام دسته ها تعلق دارد
روش های آماری یادگیری ماشینی که \" یادگیری\" از داده
روش های یادگیری بدون نظارت برای استخراج معنی از داده های بدون برچسب

توضیحاتی درمورد کتاب به خارجی

Statistical methods are a key part of data science, yet few data scientists have formal statistical training. Courses and books on basic statistics rarely cover the topic from a data science perspective. The second edition of this popular guide adds comprehensive examples in Python, provides practical guidance on applying 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 or Python programming languages 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

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Improving Reading Skills

دانلود کتاب Ejercitos Escandinavos Medievales 1300-1500

دانلود کتاب Herb Gardening for Healing: Best Herbs for a Medicinal Herb Garden

دانلود کتاب Creating Rain Gardens: Capturing the Rain for Your Own Water-Efficient Garden

دانلود کتاب Handbook of Legal Reasoning and Argumentation