دانلود کتاب Data Science: Mindset, Methodologies, and Misconceptions

30000 تومان موجود

کتاب علم داده: ذهنیت، روش‌شناسی و باورهای غلط نسخه زبان اصلی

دانلود کتاب علم داده: ذهنیت، روش‌شناسی و باورهای غلط بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید

امتیاز شما به این کتاب (حداقل 1 و حداکثر 5):

امتیاز کاربران به این کتاب: تعداد رای دهنده ها: 4

جزئیات
جزئیات ارسال

توضیحاتی در مورد کتاب Data Science: Mindset, Methodologies, and Misconceptions

نام کتاب : Data Science: Mindset, Methodologies, and Misconceptions
عنوان ترجمه شده به فارسی : علم داده: ذهنیت، روش‌شناسی و باورهای غلط
سری :
نویسندگان : Zacharias Voulgaris PhD [Zacharias Voulgaris PhD]
ناشر : Technics Publications
سال نشر : 2017
تعداد صفحات : 0

زبان کتاب : English
فرمت کتاب : epub درصورت درخواست کاربر به PDF تبدیل می شود
حجم کتاب : 397 کیلوبایت

بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.

توضیحاتی در مورد کتاب :

بر مفاهیم و راهبردهای موفقیت و پیشرفت در علم داده تسلط داشته باشید.

این کتاب از نویسنده کتاب‌های پرفروش، دانشمند داده و جولیا برای علم داده، چهار حوزه اساسی علم داده را پوشش می‌دهد. اولین حوزه، خط لوله علم داده شامل متدولوژی ها و جعبه ابزار دانشمند داده است. دومی، اقدامات ضروری برای درک داده ها از جمله سؤالات و فرضیه ها هستند. سومین تله‌هایی هستند که در فرآیند علم داده باید از آنها اجتناب کرد. چهارم، آگاهی از روندهای آینده و چگونگی تطبیق فناوری های مدرن مانند هوش مصنوعی (AI) در چارچوب علم داده است.

فصول زیر این چهار زمینه اساسی را پوشش می دهد:

فصل 1 - علم داده چیست؟
فصل 2 - خط لوله علم داده
فصل سوم - روش شناسی علم داده
فصل 4 - جعبه ابزار دانشمند داده
فصل 5 - سوالاتی که باید بپرسید و فرضیه هایی که بر اساس آنها
فصل ششم - آزمایشات علم داده و ارزیابی نتایج آنها
فصل هفتم - تحلیل حساسیت نتیجه گیری آزمایش
فصل 8 - اشکالات برنامه نویسی
فصل نهم - اشتباهات در فرآیند علم داده
فصل 10 - برخورد موثر و کارآمد با اشکالات و اشتباهات
فصل یازدهم - نقش اکتشافی در علم داده
فصل دوازدهم - نقش هوش مصنوعی در علم داده
فصل سیزدهم - اخلاق علم داده
فصل 14 - روندهای آینده و نحوه مرتبط ماندن

هدف این کتاب فراگیران علوم داده در همه سطوح است، این کتاب به خواننده کمک می کند تا فراتر از تکنیک های علم داده رفته و درک جامع تر و عمیق تری از آنچه علم داده مستلزم آن است به دست آورد. این کتاب با تمرکز بر مشکلاتی که علم داده برای حل آن تلاش می کند، خواننده را به چالش می کشد تا به یک بازیگر خودکفا در این زمینه تبدیل شود.

توضیحاتی در مورد کتاب به زبان اصلی :

Master the concepts and strategies underlying success and progress in data science.

From the author of the bestsellers, Data Scientist and Julia for Data Science, this book covers four foundational areas of data science. The first area is the data science pipeline including methodologies and the data scientist's toolbox. The second are essential practices needed in understanding the data including questions and hypotheses. The third are pitfalls to avoid in the data science process. The fourth is an awareness of future trends and how modern technologies like Artificial Intelligence (AI) fit into the data science framework.

The following chapters cover these four foundational areas:

Chapter 1 - What Is Data Science?
Chapter 2 - The Data Science Pipeline
Chapter 3 - Data Science Methodologies
Chapter 4 - The Data Scientist's Toolbox
Chapter 5 - Questions to Ask and the Hypotheses They Are Based On
Chapter 6 - Data Science Experiments and Evaluation of Their Results
Chapter 7 - Sensitivity Analysis of Experiment Conclusions
Chapter 8 - Programming Bugs
Chapter 9 - Mistakes Through the Data Science Process
Chapter 10 - Dealing with Bugs and Mistakes Effectively and Efficiently
Chapter 11 - The Role of Heuristics in Data Science
Chapter 12 - The Role of AI in Data Science
Chapter 13 - Data Science Ethics
Chapter 14 - Future Trends and How to Remain Relevant

Targeted towards data science learners of all levels, this book aims to help the reader go beyond data science techniques and obtain a more holistic and deeper understanding of what data science entails. With a focus on the problems data science tries to solve, this book challenges the reader to become a self-sufficient player in the field.