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: Steven S. Skiena
سری:
ISBN (شابک) : 9783319554440
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 453
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 19 مگابایت
در صورت تبدیل فایل کتاب The Data Science Design Manual 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 کتابچه راهنمای طراحی 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 کتاب/مرجع درسی جذاب و واضح نوشته شده، مقدمه ای ضروری برای حوزه میان رشته ای علم داده است که به سرعت در حال ظهور است. این بر اصول اساسی برای تبدیل شدن به یک دانشمند داده خوب و مهارت های کلیدی مورد نیاز برای ایجاد سیستم هایی برای جمع آوری، تجزیه و تحلیل و تفسیر داده ها تمرکز دارد. کتابچه راهنمای طراحی علم داده منبعی از بینش های عملی است که آنچه را که واقعاً در تجزیه و تحلیل داده ها اهمیت دارد برجسته می کند و درک شهودی از نحوه استفاده از این مفاهیم اصلی را ارائه می دهد. این کتاب بر هیچ زبان برنامه نویسی خاصی یا مجموعه ای از ابزارهای تجزیه و تحلیل داده تأکید نمی کند و در عوض بر بحث سطح بالا در مورد اصول مهم طراحی تمرکز می کند. این متن آسان برای خواندن به طور ایدهآل پاسخگوی نیازهای دانشجویان مقطع کارشناسی و کارشناسی ارشد است که دوره «مقدمهای بر علم داده» را آغاز میکنند. این نشان می دهد که چگونه این رشته در تقاطع آمار، علوم کامپیوتر و یادگیری ماشینی قرار دارد، با وزن و ویژگی خاص خود. پزشکان در این زمینه ها و زمینه های مرتبط، این کتاب را برای خودآموزی نیز عالی خواهند یافت. ابزارهای یادگیری اضافی: حاوی «داستانهای جنگ»، ارائه دیدگاههایی درباره نحوه کاربرد علم داده در دنیای واقعی، شامل «مشکلات تکلیف»، ارائه طیف گستردهای از تمرینها و پروژهها برای خودآموزی مجموعه کاملی از اسلایدهای سخنرانی و سخنرانیهای ویدیویی آنلاین را ارائه میکند. در www.data-manual.com «درسهای خانهسازی» را ارائه میکند، با تأکید بر مفاهیم تصویر بزرگ برای یادگیری از هر فصل، «چالشهای کاگل» هیجانانگیز را از پلتفرم آنلاین Kaggle پیشنهاد میکند «شروعهای غلط» را برجسته میکند، و دلایل ظریفی را آشکار میکند که چرا برخی رویکردها با شکست مواجه می شوند نمونه هایی را ارائه می دهد که از برنامه تلویزیونی علم داده "The Quant Shop" (www.quant-shop.com) گرفته شده است.
This engaging and clearly written textbook/reference provides a must-have introduction to the rapidly emerging interdisciplinary field of data science. It focuses on the principles fundamental to becoming a good data scientist and the key skills needed to build systems for collecting, analyzing, and interpreting data. The Data Science Design Manual is a source of practical insights that highlights what really matters in analyzing data, and provides an intuitive understanding of how these core concepts can be used. The book does not emphasize any particular programming language or suite of data-analysis tools, focusing instead on high-level discussion of important design principles. This easy-to-read text ideally serves the needs of undergraduate and early graduate students embarking on an “Introduction to Data Science” course. It reveals how this discipline sits at the intersection of statistics, computer science, and machine learning, with a distinct heft and character of its own. Practitioners in these and related fields will find this book perfect for self-study as well. Additional learning tools: Contains “War Stories,” offering perspectives on how data science applies in the real world Includes “Homework Problems,” providing a wide range of exercises and projects for self-study Provides a complete set of lecture slides and online video lectures at www.data-manual.com Provides “Take-Home Lessons,” emphasizing the big-picture concepts to learn from each chapter Recommends exciting “Kaggle Challenges” from the online platform Kaggle Highlights “False Starts,” revealing the subtle reasons why certain approaches fail Offers examples taken from the data science television show “The Quant Shop” (www.quant-shop.com)
Content: What is Data Science? Mathematical Preliminaries Data Munging Scores and Rankings Statistical Analysis Visualizing Data Mathematical Models Linear Algebra Linear and Logistic Regression Distance and Network Methods Machine Learning Big Data: Achieving Scale