مشخصات کتاب

Principles of Data Science

ویرایش:  
نویسندگان: Ozdemir. Sinan  
سری:  
ISBN (شابک) : 9781785887918, 1785888927 
ناشر: Packt Publishing 
سال نشر: 2016 
تعداد صفحات: 389 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

کلمات کلیدی مربوط به کتاب اصول علم داده: داده کاوی، ساختارهای داده، مدیریت پایگاه داده، کتابهای الکترونیکی

در صورت تبدیل فایل کتاب Principles of Data Science 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 اصول علم 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 اصول علم داده

پوشش ؛ کپی رایت؛ وام؛ درباره نویسنده؛ درباره داوران؛ www.PacktPub.com; فهرست مطالب؛ پیشگفتار؛ فصل 1: چگونه مانند یک دانشمند داده صدا کنیم. علم داده چیست؟ اصطلاحات پایه؛ چرا علم داده؟ مثال -- فن آوری های سیگما; نمودار ون علم داده؛ ریاضیات؛ مثال - مدل‌های استخدام‌کننده تخمگذار؛ برنامه نویسی کامپیوتر؛ چرا پایتون؟ تمرینات پایتون؛ نمونه ای از پایتون پایه؛ دانش دامنه؛ برخی اصطلاحات بیشتر؛ مطالعات موردی علم داده؛ مطالعه موردی -- خودکار کردن فشار دادن کاغذ دولتی. همه انسان ها را آتش بزنید، درست است؟ مطالعه موردی -- بازاریابی دلار برای انجام وظایف علم داده در دنیای واقعی با R و Python بینش‌های عملی ایجاد کنید و داده‌های خام را به ارزش ملموس تبدیل کنید. شما باید تمایل داشته باشید که تکنیک های ارائه شده در این کتاب را بر روی مجموعه داده های خود یا آنهایی که در اختیار شما قرار داده شده است، یاد بگیرید و به کار ببرید. اگر مهارت های پایه ریاضی را دارید اما می خواهید آنها را در علم داده استفاده کنید یا مهارت های برنامه نویسی خوبی دارید اما ریاضی ندارید، پس این کتاب برای شما مناسب است. آنچه یاد خواهید گرفت با پنج مرحله مهم علم داده آشنا شوید از داده های خود هوشمندانه استفاده کنید و یاد بگیرید که چگونه با احتیاط از آنها استفاده کنید شکاف بین ریاضیات و برنامه نویسی را پر کنید در مورد احتمال، حساب دیفرانسیل و انتگرال، و نحوه استفاده از مدل های آماری برای کنترل و پاکسازی اطلاعات بیاموزید. داده‌های شما و نتایج عملی ایجاد کنید و مدل‌های یادگیری ماشینی پایه را بسازید و ارزیابی کنید موثرترین معیارها را برای تعیین موفقیت مدل‌های یادگیری ماشینی خود کاوش کنید تجسم‌های داده‌ای ایجاد کنید که بینش‌های عملی را به اشتراک بگذارند مفاهیم یادگیری ماشین را برای مشکلات خود بخوانید و به کار ببرید و پیش‌بینی‌های واقعی انجام دهیدIn DetailNeed to turn. مهارت های خود را در برنامه نویسی به مهارت های موثر علم داده؟ اصول علم داده ایجاد شده است تا به شما کمک کند نقاط بین ریاضیات، برنامه نویسی و تجزیه و تحلیل کسب و کار را بپیوندید. با استفاده از این کتاب، در مورد پرسیدن و پاسخ دادن به سوالات پیچیده و پیچیده از داده های خود اطمینان خواهید داشت تا از آمار انتزاعی و خام به ایده های عملی بروید. این کتاب با رویکردی منحصربه‌فرد که شکاف بین ریاضیات و علوم کامپیوتر را پر می‌کند، شما را در کل خط لوله علم داده‌ها هدایت می‌کند. با شروع تمیز کردن و آماده‌سازی داده‌ها، و استراتژی‌ها و تکنیک‌های موثر داده‌کاوی، به ایجاد تصویری جامع از نحوه تناسب هر قطعه از پازل علم داده با یکدیگر ادامه خواهید داد. اصول ریاضیات محاسباتی و آمار و همچنین برخی از شبه کدهایی که امروزه توسط دانشمندان و تحلیلگران داده استفاده می شود را بیاموزید. با یادگیری ماشینی آشنا خواهید شد، مدل‌های آماری را کشف خواهید کرد که به شما کمک می‌کنند کنترل را در دست بگیرید و حتی متراکم‌ترین مجموعه‌های داده را هدایت کنید، و خواهید فهمید که چگونه تجسم‌های قدرتمندی ایجاد کنید که معنای داده‌های شما را به شما منتقل کند. سبک و رویکرد این یک آموزش آسان برای درک و در دسترس است. این یک راهنمای گام به گام با موارد استفاده، مثال ها و تصاویر است تا شما را به خوبی با مفاهیم علم داده آشنا کند. این کتاب همراه با توضیح اصول اولیه، در ادامه شما را با مفاهیم کمی پیشرفته نیز آشنا می کند و به شما کمک می کند تا این تکنیک ها را در دنیای واقعی پیاده سازی کنید.

توضیحاتی درمورد کتاب به خارجی

Cover ; Copyright; Credits; About the Author; About the Reviewers; www.PacktPub.com; Table of Contents; Preface; Chapter 1: How to Sound Like a Data Scientist; What is data science?; Basic terminology; Why data science?; Example -- Sigma Technologies; The data science Venn diagram ; The math; Example -- spawner-recruit models; Computer programming; Why Python?; Python practices; Example of basic Python; Domain knowledge; Some more terminology; Data science case studies; Case study -- automating government paper pushing; Fire all humans, right?; Case study -- marketing dollars.;Learn the techniques and math you need to start making sense of your dataAbout This Book Enhance your knowledge of coding with data science theory for practical insight into data science and analysis More than just a math class, learn how to perform real-world data science tasks with R and Python Create actionable insights and transform raw data into tangible valueWho This Book Is ForYou should be fairly well acquainted with basic algebra and should feel comfortable reading snippets of R/Python as well as pseudo code. You should have the urge to learn and apply the techniques put forth in this book on either your own data sets or those provided to you. If you have the basic math skills but want to apply them in data science or you have good programming skills but lack math, then this book is for you. What You Will Learn Get to know the five most important steps of data science Use your data intelligently and learn how to handle it with care Bridge the gap between mathematics and programming Learn about probability, calculus, and how to use statistical models to control and clean your data and drive actionable results Build and evaluate baseline machine learning models Explore the most effective metrics to determine the success of your machine learning models Create data visualizations that communicate actionable insights Read and apply machine learning concepts to your problems and make actual predictionsIn DetailNeed to turn your skills at programming into effective data science skills? Principles of Data Science is created to help you join the dots between mathematics, programming, and business analysis. With this book, you'll feel confident about askingand answeringcomplex and sophisticated questions of your data to move from abstract and raw statistics to actionable ideas. With a unique approach that bridges the gap between mathematics and computer science, this books takes you through the entire data science pipeline. Beginning with cleaning and preparing data, and effective data mining strategies and techniques, you'll move on to build a comprehensive picture of how every piece of the data science puzzle fits together. Learn the fundamentals of computational mathematics and statistics, as well as some pseudocode being used today by data scientists and analysts. You'll get to grips with machine learning, discover the statistical models that help you take control and navigate even the densest datasets, and find out how to create powerful visualizations that communicate what your data means. Style and approachThis is an easy-to-understand and accessible tutorial. It is a step-by-step guide with use cases, examples, and illustrations to get you well-versed with the concepts of data science. Along with explaining the fundamentals, the book will also introduce you to slightly advanced concepts later on and will help you implement these techniques in the real world.

فهرست مطالب

1. How to Sound Like a Data Scientist
2. Types of Data
3. The Five Steps of Data Science
4. Basic Mathematics
5. Impossible or Improbable – A Gentle Introduction to Probability
6. Advanced Probability
7. Basic Statistics
8. Advanced Statistics
9. Communicating Data
10. How to Tell If Your Toaster Is Learning – Machine Learning Essentials
11. Predictions Don\'t Grow on Trees – or Do They?
12. Beyond the Essentials
13. Case Studies

نظرات کاربران

کتاب های تصادفی

دانلود کتاب European Models of Bilingual Education

دانلود کتاب Infertility

دانلود کتاب Conversation Analysis and Early Childhood Education: The Co-Production of Knowledge and Relationships

دانلود کتاب In touch with the future: The sense of touch from cognitive neuroscience to virtual reality

دانلود کتاب Специальный инструмент. Причины нарушения стабильности исполнения на эстраде у баянистов и их устранение в классе специального инструмента