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: Jake VanderPlas
سری:
ناشر: O'Reilly Media
سال نشر: 2016
تعداد صفحات: [548]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 20 Mb
در صورت تبدیل فایل کتاب Python Data Science Handbook. Essential Tools for Working with Data 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 راهنمای علوم داده پایتون. ابزارهای ضروری برای کار با داده ها 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.
کتاب راهنمای علوم داده پایتون اشارهای به گستره روشهای
محاسباتی و آماری دارد که برای علم، تحقیق و اکتشاف مبتنی بر
دادهها مرکزی هستند. افرادی با پیشینه برنامه نویسی که می خواهند
از پایتون به طور موثر برای کارهای علم داده استفاده کنند، یاد می
گیرند که چگونه با مشکلات مختلفی روبرو شوند: به عنوان مثال،
چگونه می توانم این قالب داده را در اسکریپت خود بخوانم؟ چگونه می
توانم این داده ها را دستکاری، تبدیل و پاکسازی کنم؟ چگونه می
توانم این نوع داده ها را تجسم کنم؟ چگونه می توانم از این داده
ها برای به دست آوردن بینش، پاسخ به سؤالات، یا ساخت مدل های
آماری یا یادگیری ماشینی استفاده کنم؟
این کتاب مرجعی برای علم داده روزانه با قابلیت پایتون است که هم
محاسباتی و هم محاسباتی را پوشش می دهد. مهارت های آماری لازم
برای کار موثر با . این بحث با کاربردهای مثال مکرر تکمیل میشود
و نشان میدهد که چگونه میتوان از وسعت گسترده ابزارهای منبع باز
پایتون برای تجزیه و تحلیل، دستکاری، تجسم و یادگیری از دادهها
استفاده کرد.
The Python Data Science Handbook provides a reference to the
breadth of computational and statistical methods that are
central to data-intensive science, research, and discovery.
People with a programming background who want to use Python
effectively for data science tasks will learn how to face a
variety of problems: e.g., how can I read this data format into
my script? How can I manipulate, transform, and clean this
data? How can I visualize this type of data? How can I use this
data to gain insight, answer questions, or to build statistical
or machine learning models?
This book is a reference for day-to-day Python-enabled data
science, covering both the computational and statistical skills
necessary to effectively work with . The discussion is
augmented with frequent example applications, showing how the
wide breadth of open source Python tools can be used together
to analyze, manipulate, visualize, and learn from data.