The Data Science Handbook

مروری جامع از علم داده که شامل تجزیه و تحلیل، برنامه نویسی و مهارت های تجاری لازم برای تسلط بر این رشته است

پیدا کردن یک دانشمند داده خوب به شکار یک تک شاخ تشبیه شده است. : ترکیب مورد نیاز از مهارت های فنی به سادگی در یک فرد بسیار سخت است. علاوه بر این، علم داده خوب فقط به کارگیری منظم مجموعه مهارت های قابل آموزش نیست. این نیاز به توانایی تفکر انعطاف پذیر در مورد همه این زمینه ها و درک ارتباطات بین آنها دارد. این کتاب یک دوره کوتاه در علم داده ارائه می‌کند و همه مهارت‌های لازم را در یک رشته یکپارچه ترکیب می‌کند.

برخلاف بسیاری از کتاب‌های تحلیلی، علوم کامپیوتر و مهندسی نرم‌افزار پوشش گسترده‌ای دارند زیرا نقش اصلی را در این کتاب ایفا می‌کنند. کار روزانه یک دانشمند داده نویسنده همچنین الگوریتم‌های یادگیری ماشین کلاسیک را از مبانی ریاضی تا کاربردهای دنیای واقعی توصیف می‌کند. ابزارهای تجسم بررسی می شوند و اهمیت اصلی آنها در علم داده برجسته می شود. آمار کلاسیک به خوانندگان کمک می کند تا در مورد تفسیر داده ها و مشکلات رایج آن تفکر انتقادی داشته باشند. ارتباط واضح نتایج فنی، که شاید کم‌آموزترین مهارت‌های علم داده باشد، فصل خاص خود را ارائه می‌کند و همه موضوعات در زمینه حل مشکلات داده‌های دنیای واقعی توضیح داده می‌شوند. این کتاب همچنین دارای موارد زیر است:

• نمونه کد و آموزش های گسترده با استفاده از Python™ همراه با کتابخانه های فنی آن

• فناوری های اصلی «داده های بزرگ»، از جمله نقاط قوت و محدودیت های آنها و نحوه آنها می توان برای حل مسائل دنیای واقعی استفاده کرد

• پوشش واقعیت های عملی ابزارها، حداقل نگه داشتن نظریه. با این حال، هنگامی که نظریه ارائه می شود، به روشی شهودی برای تشویق تفکر انتقادی و خلاقیت انجام می شود

• طیف گسترده ای از مطالعات موردی از صنعت

• توصیه های عملی در مورد واقعیت های امروزه دانشمند داده بودن، از جمله گردش کار کلی، جایی که زمان صرف می شود، انواع مجموعه داده های کار شده و مجموعه مهارت های مورد نیاز

کتابچه راهنمای علم داده یک منبع ایده آل است. برای روش تجزیه و تحلیل داده ها و ابزارهای نرم افزاری داده های بزرگ. این کتاب برای افرادی مناسب است که می خواهند علم داده را تمرین کنند، اما مجموعه مهارت های لازم را ندارند. این شامل متخصصان نرم افزار می شود که نیاز به درک بهتر تجزیه و تحلیل دارند و آماردانانی که نیاز به درک نرم افزار دارند. علم داده مدرن یک رشته یکپارچه است و به این صورت ارائه می شود. این کتاب همچنین مرجع مناسبی برای محققان و دانشجویان مقطع کارشناسی ارشد است که نیاز به یادگیری تحلیل های دنیای واقعی و گسترش مجموعه مهارت های خود دارند.

FIELD CADY دانشمند داده در موسسه آلن برای هوش مصنوعی، جایی که او ابزارهایی را توسعه می دهد که از یادگیری ماشینی برای استخراج ادبیات علمی استفاده می کنند. او همچنین در گوگل و چندین استارت آپ Big Data کار کرده است. او دارای لیسانس فیزیک و ریاضی از دانشگاه استنفورد، و کارشناسی ارشد در علوم کامپیوتر از کارنگی ملون است.

A comprehensive overview of data science covering the analytics, programming, and business skills necessary to master the discipline

Finding a good data scientist has been likened to hunting for a unicorn: the required combination of technical skills is simply very hard to find in one person. In addition, good data science is not just rote application of trainable skill sets; it requires the ability to think flexibly about all these areas and understand the connections between them. This book provides a crash course in data science, combining all the necessary skills into a unified discipline.

Unlike many analytics books, computer science and software engineering are given extensive coverage since they play such a central role in the daily work of a data scientist. The author also describes classic machine learning algorithms, from their mathematical foundations to real-world applications. Visualization tools are reviewed, and their central importance in data science is highlighted. Classical statistics is addressed to help readers think critically about the interpretation of data and its common pitfalls. The clear communication of technical results, which is perhaps the most undertrained of data science skills, is given its own chapter, and all topics are explained in the context of solving real-world data problems. The book also features:

• Extensive sample code and tutorials using Python™ along with its technical libraries

• Core technologies of “Big Data,” including their strengths and limitations and how they can be used to solve real-world problems

• Coverage of the practical realities of the tools, keeping theory to a minimum; however, when theory is presented, it is done in an intuitive way to encourage critical thinking and creativity

• A wide variety of case studies from industry

• Practical advice on the realities of being a data scientist today, including the overall workflow, where time is spent, the types of datasets worked on, and the skill sets needed

The Data Science Handbook is an ideal resource for data analysis methodology and big data software tools. The book is appropriate for people who want to practice data science, but lack the required skill sets. This includes software professionals who need to better understand analytics and statisticians who need to understand software. Modern data science is a unified discipline, and it is presented as such. This book is also an appropriate reference for researchers and entry-level graduate students who need to learn real-world analytics and expand their skill set.

FIELD CADY is the data scientist at the Allen Institute for Artificial Intelligence, where he develops tools that use machine learning to mine scientific literature. He has also worked at Google and several Big Data startups. He has a BS in physics and math from Stanford University, and an MS in computer science from Carnegie Mellon.