کتاب Data Science from Scratch First Principles with Python

نوشته شده برای at 2019-06-02
1721 ۰

اطلاعات کتابشناختی

  • عنوان کتاب: Data Science from Scratch
  • نویسنده: Joel Grus
  • ناشر: انتشارات O’Reilly Media, 2015
  • تعداد صفخات: ۴۶۴ صفحه

 

درباره نویسنده کتاب Data Science from Scratch

Joel Grus در شرکت گوگل، مهندس نرم افزار می باشد و قبل از آن او به عنوان یک دانشمند علوم داده (Data Scientist) در چندین شرکت معتبر مشغول بوده است. او در سیاتل زندگی می کند، جایی که او به طور مرتب ساعت های خوشحال کننده ای را صرف مطالعه می کند. همچنین او در joelgrus.com وبلاگ می نویسد.

اگر گشت و گذاری در وب سایت های استخدامی این روزهای کشور های تراز اول دنیا زده باشید و یا در دانشگاه های روز دنیا به دنبال اخذ فرصت های تحصیلی و مطالعاتی بوده باشید، قطعاً با واژه Data Science (علوم داده) روبرو شده اید.

مفاهیم ارایه شده در کتاب Data Science From Scratch with Python

داده های اطلاعاتی، چارچوب ها، ماژول ها و ابزارهای مفید برای انجام Data Science یا علوم داده عالی هستند، اما آنها همچنین یک راه خوب برای شیرجه به رشته بدون درک علم اطلاعات هستند. در این کتاب، شما یاد خواهید گرفت که چگونه بسیاری از ابزار اصلی و الگوریتم های علوم داده به صورت کاملاً کاربردی و با اجرای آنها از ابتدا کار می کنند.
اگر توانایی ریاضیات و برخی مهارت های برنامه نویسی را دارید، نویسنده جول کروس به شما در ریاضیات و آمار در هسته Data Science (علوم داده) کمک خواهد کرد و با مهارت هایی که شما به عنوان یک دانشمند داده نیاز خواهید داشت، آغاز نمایید.
جمع آوری داده ها، تمیز کردن داده ها و یا Data Cleaning که بخش اعظمی از پروژه های مربوط به حوزه Data Science را شامل می شود، دستکاری داده ها و ورود به حوزه جذاب آموزش یادگیری ماشین (Machine learning) و آموزش مدل های اجرایی مانند K-نزدیکترین همسایگان یا K-Means، Bayes Naive، رگرسیون خطی و لجستیک، درخت تصمیم گیری، شبکه های عصبی و خوشه بندی سیستم های پیشنهاد دهنده (Recommender Systems)، پردازش زبان طبیعی (Natural Language Processing)، تجزیه و تحلیل شبکه، MapReduce و پایگاه های داده از مواردی است که در این کتاب جذاب مورد بررسی قرار خواهد گرفت.

  • Introduction
  • A Crash Course in Python
  • Visualizing Data
  • Linear Algebra
  • Statistics
  • Probability
  • Hypothesis and Inference
  • Gradient Descent
  • Getting Data
  • Working with Data
  • Machine Learning
  • k-Nearest Neighbors
  • Naive Bayes
  • Simple Linear Regression
  • Multiple Regression
  • Logistic Regression
  • Decision Trees
  • Neural Networks
  • Clustering
  • Natural Language Processing
  • Network Analysis
  • Recommender Systems
  • Databases and SQL
  • MapReduce

نوشته مرتبط

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *