ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Python and R for the Modern Data Scientist: The Best of Both Worlds

دانلود کتاب پایتون و R برای دانشمند داده مدرن: بهترین های هر دو جهان

Python and R for the Modern Data Scientist: The Best of Both Worlds

مشخصات کتاب

Python and R for the Modern Data Scientist: The Best of Both Worlds

ویرایش: [1 ed.] 
نویسندگان: ,   
سری:  
ISBN (شابک) : 1492093408, 9781492093404 
ناشر: O'Reilly Media 
سال نشر: 2021 
تعداد صفحات: 198 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 Mb 

قیمت کتاب (تومان) : 53,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Python and R for the Modern Data Scientist: The Best of Both Worlds 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 پایتون و R برای دانشمند داده مدرن: بهترین های هر دو جهان 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 پایتون و R برای دانشمند داده مدرن: بهترین های هر دو جهان



موفقیت در علم داده به استفاده منعطف و مناسب از ابزارها بستگی دارد. این شامل پایتون و R، دو زبان برنامه نویسی اساسی در این زمینه است. این کتاب دانشمندان داده را از جوامع پایتون و R در مسیر دوزبانه شدن راهنمایی می کند. با شناخت نقاط قوت هر دو زبان، راه‌های جدیدی را برای انجام وظایف علم داده و گسترش مجموعه مهارت‌های خود کشف خواهید کرد.

نویسندگان، ریک اسکاوتا و بویان آنجلوف، ساختارهای موازی این زبان‌ها را توضیح می‌دهند و محل هر کدام را برجسته می‌کنند. عالی است، چه ویژگی های زبانی آنها باشد و چه قدرت های اکوسیستم منبع باز آنها. شما یاد خواهید گرفت که چگونه از Python و R با هم در تنظیمات دنیای واقعی استفاده کنید و فرصت های شغلی خود را به عنوان یک دانشمند داده دوزبانه گسترش دهید.

  • Python و R را از دیدگاه زبان فعلی خود بیاموزید
    • li>
    • درک نقاط قوت و ضعف هر زبان
    • تشخیص موارد استفاده که در آن یک زبان مناسب تر از زبان دیگر است
    • درک اکوسیستم متن باز مدرن موجود برای هر دو، از جمله بسته ها، چارچوب ها، و گردش کار
    • یاد بگیرید چگونه R و Python را در یک گردش کار واحد ادغام کنید
    • یک مطالعه موردی را دنبال کنید که روش های استفاده از این زبان ها را با هم نشان می دهد

توضیحاتی درمورد کتاب به خارجی

Success in data science depends on the flexible and appropriate use of tools. That includes Python and R, two of the foundational programming languages in the field. This book guides data scientists from the Python and R communities along the path to becoming bilingual. By recognizing the strengths of both languages, you'll discover new ways to accomplish data science tasks and expand your skill set.

Authors Rick Scavetta and Boyan Angelov explain the parallel structures of these languages and highlight where each one excels, whether it's their linguistic features or the powers of their open source ecosystems. You'll learn how to use Python and R together in real-world settings and broaden your job opportunities as a bilingual data scientist.

  • Learn Python and R from the perspective of your current language
  • Understand the strengths and weaknesses of each language
  • Identify use cases where one language is better suited than the other
  • Understand the modern open source ecosystem available for both, including packages, frameworks, and workflows
  • Learn how to integrate R and Python in a single workflow
  • Follow a case study that demonstrates ways to use these languages together


فهرست مطالب

Copyright
Table of Contents
Preface
	Why We Wrote This Book
	Technical Interactions
	Who This Book Is For
	Prerequisites
	How This Book Is Organized
	Let’s Talk
	Conventions Used in This Book
	Using Code Examples
	O’Reilly Online Learning
	How to Contact Us
	Acknowledgments
Part I. Discovery of a New Language
	Chapter 1. In the Beginning
		The Origins of R
		The Origins of Python
		The Language War Begins
		The Battle for Data Science Dominance
		A Convergence on Cooperation and Community-Building
		Final Thoughts
Part II. Bilingualism I: Learning a New Language
	Chapter 2. R for Pythonistas
		Up and Running with R
		Projects and Packages
		The Triumph of Tibbles
		A Word About Types and Exploring
		Naming (Internal) Things
		Lists
		The Facts About Factors
		How to Find…Stuff
		Reiterations Redo
		Final Thoughts
	Chapter 3. Python for UseRs
		Versions and Builds
		Standard Tooling
		Virtual Environments
		Installing Packages
		Notebooks
		How Does Python, the Language, Compare to R?
			Import a Dataset
			Examine the Data
		Data Structures and Descriptive Statistics
			Data Structures: Back to the Basics
			Indexing and Logical Expressions
			Plotting
		Inferential Statistics
		Final Thoughts
Part III. Bilingualism II: The Modern Context
	Chapter 4. Data Format Context
		External Versus Base Packages
		Image Data
		Text Data
		Time Series Data
			Base R
			Prophet
		Spatial Data
		Final Thoughts
	Chapter 5. Workflow Context
		Defining Workflows
		Exploratory Data Analysis
			Static Visualizations
			Interactive Visualizations
		Machine Learning
		Data Engineering
		Reporting
			Static Reporting
			Interactive Reporting
		Final Thoughts
Part IV. Bilingualism III: Becoming Synergistic
	Chapter 6. Using the Two Languages Synergistically
		Faux Operability
		Interoperability
		Going Deeper
			Pass Objects Between R and Python in an R Markdown Document
			Call Python in an R Markdown Document
			Call Python by Sourcing a Python Script
			Call Python Using the REPL
			Call Python with Dynamic Input in an Interactive Document
		Final Thoughts
	Chapter 7. A Case Study in Bilingual Data Science
		24 Years and 1.88 Million Wildfires
		Setup and Importing Data
		EDA and Data Visualization
		Machine Learning
			Setting Up Our Python Environment
			Feature Engineering
			Model Training
		Prediction and UI
		Final Thoughts
Appendix A. A Python:R Bilingual Dictionary
	Package Management
	Assign Operators
	Types
	Arithmetic Operators
	Attributes
	Keywords
	Functions and Methods
	Style and Naming Conventions
	Analogous Data Storage Objects
	Data Frames
	Logical Expressions
	Indexing
Index
About the Authors
Colophon




نظرات کاربران