دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب The Data Science Handbook
دانلود کتاب کتاب راهنمای علم داده
مشخصات کتاب
The Data Science Handbook
ویرایش:
نویسندگان: Field Cady
سری:
ISBN (شابک) : 9781119092933
ناشر: Wiley
سال نشر: 2017
تعداد صفحات: 393
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 45,000
در صورت تبدیل فایل کتاب The Data Science Handbook 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 کتاب راهنمای 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.
توضیحاتی در مورد کتاب کتاب راهنمای علم داده
مروری جامع از علم داده که شامل تجزیه و تحلیل، برنامه‌نویسی و مهارت‌های تجاری لازم برای تسلط بر این رشته 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 تصادفی در علم داده ارائه می دهد که تمام مهارت های لازم را در یک رشته یکپارچه ترکیب می کند. برخلاف بسیاری از کتاب‌های تحلیلی، علوم کامپیوتر و مهندسی نرم‌افزار پوشش گسترده‌ای دارند، زیرا نقش اصلی را در کار روزانه یک دانشمند داده ایفا می‌کنند. 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 ویژگی‌های زیر است: • نمونه کد و آموزش‌های گسترده با استفاده از PythonTM به همراه کتابخانه‌های فنی آن • فناوری‌های اصلی «داده‌های بزرگ»، از جمله نقاط قوت و محدودیت‌های آنها و نحوه استفاده از آنها برای حل مشکلات دنیای واقعی • پوشش واقعیت‌های عملی از ابزارها، تئوری را به حداقل می رساند. 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. صرف شده، انواع مجموعه داده های کار شده و مجموعه مهارت های مورد نیاز کتاب راهنمای علم داده منبعی ایده آل برای روش تجزیه و تحلیل داده ها و ابزارهای نرم افزاری کلان داده است. 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 است، جایی که او ابزارهایی را توسعه می دهد که از یادگیری ماشین برای استخراج ادبیات علمی استفاده می کند. 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 Carnegie Mellon است.
توضیحاتی درمورد کتاب به خارجی
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 PythonTM 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.
