دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data
دانلود کتاب آمار، داده کاوی و یادگیری ماشینی در نجوم: راهنمای عملی پایتون برای تجزیه و تحلیل داده های نظرسنجی
مشخصات کتاب
Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data
ویرایش: نویسندگان: Željko Ivezić, Andrew Connolly, Jake Vanderplas, Alexander Gray سری: ISBN (شابک) : 0691151687, 9780691151687 ناشر: Princeton University Press سال نشر: 2014 تعداد صفحات: 560 [559] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 103 Mb
قیمت کتاب (تومان) : 38,000
در صورت تبدیل فایل کتاب Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey 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 آمار، داده کاوی و یادگیری ماشینی در نجوم: راهنمای عملی پایتون برای تجزیه و تحلیل داده های نظرسنجی 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، داده کاوی و یادگیری ماشینی در نجوم: راهنمای عملی پایتون برای تجزیه و تحلیل داده های نظرسنجی
با قدرتمندتر شدن تلسکوپ‌ها، آشکارسازها و رایانه‌ها، حجم
داده‌هایی که در اختیار ستاره‌شناسان و اخترفیزیکدانان است وارد
حوزه پتابایت می‌شود و اندازه‌گیری‌های دقیقی را برای میلیاردها
جرم آسمانی فراهم می‌کند. این کتاب مقدمه‌ای جامع و در دسترس برای
روش‌های آماری پیشرفته مورد نیاز برای تجزیه و تحلیل کارآمد
مجموعه داده‌های پیچیده از نظرسنجی‌های نجومی مانند تلسکوپ بررسی
پانورامیک و سیستم واکنش سریع، بررسی انرژی تاریک و تلسکوپ بررسی
سینوپتیک بزرگ آینده ارائه می‌کند. این کتاب به عنوان یک کتابچه
راهنمای عملی برای دانشجویان کارشناسی ارشد و کارشناسی ارشد در
فیزیک و نجوم، و به عنوان یک مرجع ضروری برای محققان عمل می
کند.
\"آمار، داده کاوی و یادگیری ماشین در نجوم\" یک ثروت را ارائه می
دهد. مسائل تحلیل عملی، تکنیک های حل آنها را ارزیابی می کند و
نحوه استفاده از رویکردهای مختلف برای انواع و اندازه های مختلف
مجموعه داده ها را توضیح می دهد. برای تمام برنامه های توضیح داده
شده در کتاب، کد پایتون و مجموعه داده های نمونه ارائه شده است.
مجموعه داده‌های پشتیبان با دقت از نظرسنجی‌های نجومی معاصر
(مثلاً بررسی آسمان دیجیتال اسلون) انتخاب شده‌اند و دانلود و
استفاده آسان است. کد پایتون همراه در دسترس عموم است، به خوبی
مستند شده است و از استانداردهای کدگذاری یکنواخت پیروی می کند.
مجموعه داده‌ها و کدها با هم، خوانندگان را قادر می‌سازد تا تمام
شکل‌ها و مثال‌ها را بازتولید کنند، روش‌ها را ارزیابی کنند و
آنها را با زمینه‌های مورد علاقه خود تطبیق دهند. مفیدترین روش
های آماری و داده کاوی را برای استخراج دانش از مجموعه داده های
نجومی عظیم و پیچیده توصیف می کند. دارای مجموعه داده های دنیای
واقعی از نظرسنجی های نجومی معاصر است.
توضیحاتی درمورد کتاب به خارجی
As telescopes, detectors, and computers grow ever more
powerful, the volume of data at the disposal of astronomers and
astrophysicists will enter the petabyte domain, providing
accurate measurements for billions of celestial objects. This
book provides a comprehensive and accessible introduction to
the cutting-edge statistical methods needed to efficiently
analyze complex data sets from astronomical surveys such as the
Panoramic Survey Telescope and Rapid Response System, the Dark
Energy Survey, and the upcoming Large Synoptic Survey
Telescope. It serves as a practical handbook for graduate
students and advanced undergraduates in physics and astronomy,
and as an indispensable reference for researchers.
"Statistics, Data Mining, and Machine Learning in Astronomy"
presents a wealth of practical analysis problems, evaluates
techniques for solving them, and explains how to use various
approaches for different types and sizes of data sets. For all
applications described in the book, Python code and example
data sets are provided. The supporting data sets have been
carefully selected from contemporary astronomical surveys (for
example, the Sloan Digital Sky Survey) and are easy to download
and use. The accompanying Python code is publicly available,
well documented, and follows uniform coding standards.
Together, the data sets and code enable readers to reproduce
all the figures and examples, evaluate the methods, and adapt
them to their own fields of interest. Describes the most useful
statistical and data-mining methods for extracting knowledge
from huge and complex astronomical data sets Features
real-world data sets from contemporary astronomical surveys
Uses a freely available Python codebase throughout Ideal for
students and working astronomers
