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: Miller. James D
سری:
ناشر: Packt Publishing
سال نشر: 2018
تعداد صفحات: 0
زبان: English
فرمت فایل : MOBI (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
کلمات کلیدی مربوط به کتاب آمار برای علم داده: کلان داده، R (زبان برنامه کامپیوتری)، آمار
در صورت تبدیل فایل کتاب Statistics for 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 آمار برای 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.
\"این دوره شما را از طریق یک ادیسه آماری کامل، از دانستن خیلی کم تا راحت شدن با استفاده از روش های آماری مختلف با وظایف علم داده را طی می کند. با آمار ساده شروع می شود و سپس به روش های آماری می رود که در الگوریتم های علم داده استفاده می شود. برنامه های R برای محاسبات آماری به طور واضح همراه با منطق توضیح داده شده است. شما با مفاهیم ریاضی مختلفی مانند واریانس، انحراف معیار، احتمال، محاسبات ماتریس و موارد دیگر مواجه خواهید شد. شما فقط آنچه برای پیاده سازی آمار در علم داده لازم است را خواهید آموخت. کارهایی مانند پاکسازی داده ها، کاوی و تجزیه و تحلیل.شما با تکنیک های آماری مورد نیاز برای انجام کارهایی مانند رگرسیون خطی، منظم سازی، ارزیابی مدل، تقویت، SVM و کار با شبکه های عصبی آشنا خواهید شد.در پایان دوره، شما خواهید آموخت. با انجام محاسبات آماری مختلف برای علم داده به صورت برنامهریزی راحت باشید.\"--صفحه توضیحات منبع.
"This course will take you through an entire statistics odyssey, from knowing very little to becoming comfortable with using various statistical methods with data science tasks. It starts off with simple statistics and then moves on to statistical methods that are used in data science algorithms. R programs for statistical computation are clearly explained along with the logic. You will come across various mathematical concepts, such as variance, standard deviation, probability, matrix calculations, and more. You will learn only what is required to implement statistics in data science tasks such as data cleaning, mining, and analysis. You will learn the statistical techniques required to perform tasks such as linear regression, regularization, model assessment, boosting, SVMs, and working with neural networks. By the end of the course, you will be comfortable with performing various statistical computations for data science programmatically."--Resource description page.