The Beginner's Guide to Data Science

این کتاب اصول و کاربردهای عملی علم داده را مورد بحث قرار می دهد و به موضوعات کلیدی از جمله جدال داده ها، آمار، یادگیری ماشینی، تجسم داده ها، پردازش زبان طبیعی و تجزیه و تحلیل سری های زمانی می پردازد. بررسی های دقیق از تکنیک های مورد استفاده در اجرای موتورهای توصیه و انتخاب مناسب معیارها برای تجزیه و تحلیل مبتنی بر فاصله نیز پوشش داده شده است.

استفاده از نمونه های کد جامع، شکل ها و جداول متعدد. برای کمک به روشن شدن و روشن کردن موضوعات ضروری علم داده، نویسندگان یک بررسی و تحلیل گسترده از سؤالات دنیای واقعی ارائه می دهند، به ویژه بر وظیفه تعیین و ارزیابی پاسخ به این سؤالات تا حد امکان سریع و دقیق. این کتاب به چالش‌های مربوط به کشف بینش‌های کاربردی در «داده‌های بزرگ»، استفاده از پایگاه‌داده و ابزارهای جمع‌آوری داده‌ها مانند خراش دادن وب و شناسایی متن می‌پردازد.

این کتاب به صورت سازمان‌دهی شده است. 11 فصل، به عنوان درمان های مستقل از موضوعات مهم علوم داده زیر ساختار یافته است:

• تکنیک های جمع آوری و اکتساب داده از جمله ایجاد داده ها
• مدیریت، تبدیل و سازماندهی داده‌ها برای بسته‌بندی اطلاعات در قالبی در دسترس و آماده برای تجزیه و تحلیل</ li>
• مبانی آمار توصیفی با هدف خلاصه کردن و جمع‌آوری داده‌ها در چند اندازه‌گیری مختصر اما معنادار
• استنتاجی آماری که به ما امکان می‌دهد فقط بر اساس بخش نمونه جمع‌آوری‌شده و ثبت‌شده استنتاج (یا تعمیم) روندها را در مورد جمعیت بزرگ‌تر است
• متریک‌هایی که برخی را اندازه‌گیری می‌کند. کمیتی مانند فاصله، شباهت یا خطا و به ویژه در هنگام مقایسه یک یا چند مشاهده داده مفید هستند
• موتورهای توصیه‌ای که مجموعه‌ای از الگوریتم‌های طراحی شده را نشان می‌دهند. برای پیش بینی (یا توصیه) یک محصول، خدمات یا سایر موارد مورد علاقه کاربر یا مشتری که مایل به خرید یا استفاده به نحوی است
• پیاده‌سازی‌های یادگیری ماشین و الگوریتم‌های مرتبط، شامل فناوری‌های هسته‌ای علوم داده با کاربردهای عملی فراوان، به‌ویژه تجزیه و تحلیل پیش‌بینی‌کننده
  
< li>پردازش زبان طبیعی، که تجزیه و درک زبان نوشتاری و گفتاری را به شیوه ای مؤثر و دقیق تسریع می کند
• تجزیه و تحلیل سری های زمانی، تکنیک هایی برای بررسی و ایجاد پیش بینی در مورد پیشرفت و تکامل داده ها در طول زمان

علوم داده روش ارائه می دهد ogy و ابزارهایی برای تفسیر دقیق حجم فزاینده ای از اطلاعات ورودی به منظور تشخیص الگوها، ارزیابی روندها و تصمیم گیری صحیح. نتایج تجزیه و تحلیل علم داده پاسخ های دنیای واقعی را به سوالات دنیای واقعی ارائه می دهد. افراد حرفه ای که روی پروژه های علم داده و هوش تجاری کار می کنند و همچنین دانشجویان و محققان سطح پیشرفته که بر روی برنامه های علوم داده، علوم کامپیوتر، تجارت و ریاضیات متمرکز هستند از این کتاب بهره مند خواهند شد.

This book discusses the principles and practical applications of data science, addressing key topics including data wrangling, statistics, machine learning, data visualization, natural language processing and time series analysis. Detailed investigations of techniques used in the implementation of recommendation engines and the proper selection of metrics for distance-based analysis are also covered.

Utilizing numerous comprehensive code examples, figures, and tables to help clarify and illuminate essential data science topics, the authors provide an extensive treatment and analysis of real-world questions, focusing especially on the task of determining and assessing answers to these questions as expeditiously and precisely as possible. This book addresses the challenges related to uncovering the actionable insights in “big data,” leveraging database and data collection tools such as web scraping and text identification.

This book is organized as 11 chapters, structured as independent treatments of the following crucial data science topics:

• Data gathering and acquisition techniques including data creation
• Managing, transforming, and organizing data to ultimately package the information into an accessible format ready for analysis
• Fundamentals of descriptive statistics intended to summarize and aggregate data into a few concise but meaningful measurements
• Inferential statistics that allow us to infer (or generalize) trends about the larger population based only on the sample portion collected and recorded
• Metrics that measure some quantity such as distance, similarity, or error and which are especially useful when comparing one or more data observations
• Recommendation engines representing a set of algorithms designed to predict (or recommend) a particular product, service, or other item of interest a user or customer wishes to buy or utilize in some manner
• Machine learning implementations and associated algorithms, comprising core data science technologies with many practical applications, especially predictive analytics
  
• Natural Language Processing, which expedites the parsing and comprehension of written and spoken language in an effective and accurate manner
• Time series analysis, techniques to examine and generate forecasts about the progress and evolution of data over time

Data science provides the methodology and tools to accurately interpret an increasing volume of incoming information in order to discern patterns, evaluate trends, and make the right decisions. The results of data science analysis provide real world answers to real world questions. Professionals working on data science and business intelligence projects as well as advanced-level students and researchers focused on data science, computer science, business and mathematics programs will benefit from this book.