Livrare gratuită pentru expedieri de peste 500Lei!

Află mai multe
Cărți științifice

Επιστήμη Δεδομένων

Autor: Joel Grus

Pentru a învăța cu adevărat știința datelor, nu trebuie doar să stăpânești instrumentele – biblioteci de știință a datelor, cadre, module de cod și unelte – ci trebuie, de asemenea, să înțelegi ideile...

Pentru a învăța cu adevărat știința datelor, nu trebuie doar să stăpânești instrumentele – biblioteci de știință a datelor, cadre, module de cod și unelte – ci trebuie, de asemenea, să înțelegi ideile și principiile care stau la baza funcționării lor.

Această a doua ediție a Științei Datelor: Principii de Bază și Aplicații cu Python, actualizată pentru...

Vezi descrierea completă Vezi descrierea completă
137 20 Lei
Livrare mie, 24 iun - vin, 26 iun
12,00 Lei   costul de livrare
Trimis de la Grecia
De la BookBox 5,0 (47)
Grecia
2 bucăți
Vezi Cărți pe pagina de BookBox
Ce se întâmplă dacă mă răzgândesc?

Nicio problemă, atâta timp cât este în termen de 14 zile. Vom veni să-l ridicăm sau poți alege Punctul Skroutz care ți se potrivește, complet gratuit de până la 2 ori pe an, și vă vom returna banii.

Descriere

Descriere

Pentru a învăța cu adevărat știința datelor, nu trebuie doar să stăpânești instrumentele – biblioteci de știință a datelor, cadre, module de cod și unelte – ci trebuie, de asemenea, să înțelegi ideile și principiile care stau la baza funcționării lor.

Această a doua ediție a Științei Datelor: Principii de Bază și Aplicații cu Python, actualizată pentru Python 3.6, îți arată cum funcționează aceste instrumente și algoritmi aplicându-le de la primele etape. Dacă ai o înclinație spre matematică și abilități de programare, autorul Joel Grus te va ajuta să te simți confortabil cu matematica și statistica care stau la baza științei datelor, precum și cu cunoștințele necesare „hackuirii” necesare pentru a începe ca oameni de știință ai datelor.

Cu materiale noi în învățarea profundă, statistică și procesarea limbajului natural, această carte revizuită îți arată cum să găsești diamantele ascunse în haosul de date de astăzi.

• Urmează un curs intensiv de Python
• Învață principiile de bază ale algebrei liniare, statisticii și probabilităților – și cum și când sunt utilizate în știința datelor
• Colectează, explorează, curăță, transformă și prelucrează datele
• „Coboară” în principiile de bază ale învățării automate
• Implementați modele precum cei mai apropiați vecini, clasificarea simplă Bayes, regresia liniară și logistică, arbori de decizie, rețele neuronale și grupare
• Explorează sistemele de recomandare, procesarea limbajului natural, analiza rețelelor, MapReduce și bazele de date.

Recenzii ale cărții:
„Joel te conduce de la întrebările fundamentale ale științei datelor la înțelegerea completă a algoritmilor de bază pe care fiecare om de știință al datelor trebuie să-i cunoască”. —Rohit Sivaprasad, Inginer, Facebook
„Recomand cartea Știința Datelor: Principii de Bază și Aplicații cu Python analiștilor și inginerilor care doresc să evolueze stăpânind domeniul învățării automate. Este cel mai bun instrument pentru a înțelege principiile de bază ale acestui domeniu științific”. —Tom Marthaler, Inginer Șef, Amazon
„Este greu să transformi conceptele științei datelor în cod. Cartea lui Joel o face mult mai ușoară”. —William Cox, Inginer învățare automată, Grubhub.

Joel Grus este inginer de cercetare la Institutul de Inteligență Artificială Allen. A lucrat anterior ca inginer software la Google și ca om de știință al datelor în diverse startup-uri. Locuiește în Seattle, unde participă în mod regulat la cursuri de știința datelor. Scrie ocazional pe blogul său și tweet-uiește toată ziua la @joelgrus.

Producător

Vezi descrierea completă

Specificații

Specificații

Autor
Joel Grus
Editor
Papasotiriou
Titlu Original
Data Science de la Zero
Tip
Tehnologie, Calculatoare - Informatică, Statistică, Inteligență Artificială
Limba
Greacă
Copertă
Moale
Număr de pagini
408
Data de lansare
11/2021
Data de publicare
2021
Dimensiuni
17x24 cm
ISBN-13
9789604911448

Informații importante

Specificațiile sunt colectate de pe site-urile oficiale ale producătorilor. Te rugăm să verifici specificațiile înainte de a finaliza comanda. În cazul în care întâmpini probleme, raportează aici.

Vezi toate specificațiile

Recenzii (3)

Recenzii

  1. 2
  2. 1
  3. 3 stele
    0
  4. 2 stele
    0
  5. 1 stea
    0
Adaugă un review
  • A fost ușor de citit?
  • Înțelegerea subiectului
  • A fost suficient de interesant?
  • Mi-a plăcut stilul de scriere
  • Aș recomanda-o pentru lectură
  • Calitatea hârtiei
  • Aș citi o carte de același autor
  • petridispa
    4
    17 din 17 membri au considerat această recenzie utilă

    Cartea se adresează celor care doresc cu adevărat să se angajeze profesional în aplicații Python în știința datelor și în toate subdomeniile sale (Învățare Automată, Învățare Profundă, etc). Este în parte un lucru bun că nu utilizează bibliotecile scipy, scikit-learn și tensorflow. În schimb, implementează metrici statistice simple și modele de clasificare relativ complexe (Naive Bayes) în detaliu. Aceasta este cea mai bună abordare pentru cineva care nu are experiență anterioară în analiza datelor, deoarece le permite să vadă instrumentele matematice de bază care joacă un rol. Cartea presupune cunoștințe de bază în Python și oricine înțelege, înțelege. Comentează fiecare metodă și oferă sfaturi ocazional. Poate să te copleșească puțin cu utilizarea frecventă a funcțiilor, dar în final, se va dovedi utilă pe măsură ce vezi cum să scrii cod reutilizabil. În plus, nu ți se va cere niciodată să scrii knn, k-means sau naive bayes de la zero, așa cum face Grus. Odată ce termini această carte, vei putea începe să explorezi bibliotecile scipy, scikit-learn și tensorflow și să apelezi fiecare model cu doar o comandă. Poți să te întrebi de ce ar trebui să citești această carte care face totul de la zero? Aș spune că un specialist în știința datelor ar trebui să fie și un bun matematician-statistician, în plus față de a fi un programator competent. Prin urmare, înțelegând matematica din spatele algoritmilor de clasificare, clusterizare și regresie, vei dobândi o înțelegere a conceptului fiecărui algoritm, care metodă este cea mai potrivită pentru probleme specifice și, desigur, cum să optimizezi fiecare metodă. Personal, mi-ar fi plăcut mai multe comentarii și sfaturi referitoare la lucrul cu datele (preprocesare, completarea valorilor lipsă) și algoritmi de clusterizare densă. În concluzie, dacă ești în parte de acord cu ceea ce spun, ia-o și nu trebuie să citești toate capitolele imediat. Recomand capitolele 1 până la 18 și 20.

    Tradus din Greacă ·
    • A fost ușor de citit?
    • Înțelegerea subiectului
    • A fost suficient de interesant?
    • Mi-a plăcut stilul de scriere
    • Aș recomanda-o pentru lectură
    • Calitatea hârtiei
    • Aș putea citi o carte de același autor
    Ai găsit util acest review?
  • Achiziție verificată

    • Calitatea hârtiei
    • A fost ușor de citit?
    • Înțelegerea subiectului
    • A fost suficient de interesant?
    • Mi-a plăcut stilul de scriere
    • Aș citi o carte de același autor
    • Aș recomanda-o pentru lectură
  • Achiziție verificată

    • Calitatea hârtiei
    • A fost ușor de citit?
    • Înțelegerea subiectului
    • A fost suficient de interesant?
    • Mi-a plăcut stilul de scriere
    • Aș citi o carte de același autor
    • Aș recomanda-o pentru lectură
  • Cartea se adresează celor care doresc cu adevărat să se angajeze profesional în aplicații Python în știința datelor și în toate subdomeniile sale (Învățare Automată, Învățare Profundă, etc). Este în parte un lucru bun că nu utilizează bibliotecile scipy, scikit-learn și tensorflow. În schimb, implementează metrici statistice simple și modele de clasificare relativ complexe (Naive Bayes) în detaliu. Aceasta este cea mai bună abordare pentru cineva care nu are experiență anterioară în analiza datelor, deoarece le permite să vadă instrumentele matematice de bază care joacă un rol. Cartea presupune cunoștințe de bază în Python și oricine înțelege, înțelege. Comentează fiecare metodă și oferă sfaturi ocazional. Poate să te copleșească puțin cu utilizarea frecventă a funcțiilor, dar în final, se va dovedi utilă pe măsură ce vezi cum să scrii cod reutilizabil. În plus, nu ți se va cere niciodată să scrii knn, k-means sau naive bayes de la zero, așa cum face Grus. Odată ce termini această carte, vei putea începe să explorezi bibliotecile scipy, scikit-learn și tensorflow și să apelezi fiecare model cu doar o comandă. Poți să te întrebi de ce ar trebui să citești această carte care face totul de la zero? Aș spune că un specialist în știința datelor ar trebui să fie și un bun matematician-statistician, în plus față de a fi un programator competent. Prin urmare, înțelegând matematica din spatele algoritmilor de clasificare, clusterizare și regresie, vei dobândi o înțelegere a conceptului fiecărui algoritm, care metodă este cea mai potrivită pentru probleme specifice și, desigur, cum să optimizezi fiecare metodă. Personal, mi-ar fi plăcut mai multe comentarii și sfaturi referitoare la lucrul cu datele (preprocesare, completarea valorilor lipsă) și algoritmi de clusterizare densă. În concluzie, dacă ești în parte de acord cu ceea ce spun, ia-o și nu trebuie să citești toate capitolele imediat. Recomand capitolele 1 până la 18 și 20.

    Tradus din Greacă ·
    17
  • 0
  • 0
  • Vezi toate

Descriere și specificații

Pentru a învăța cu adevărat știința datelor, nu trebuie doar să stăpânești instrumentele – biblioteci de știință a datelor, cadre, module de cod și unelte – ci trebuie, de asemenea, să înțelegi ideile și principiile care stau la baza funcționării lor.

Această a doua ediție a Științei Datelor: Principii de Bază și Aplicații cu Python, actualizată pentru Python 3.6, îți arată cum funcționează aceste instrumente și algoritmi aplicându-le de la primele etape. Dacă ai o înclinație spre matematică și abilități de programare, autorul Joel Grus te va ajuta să te simți confortabil cu matematica și statistica care stau la baza științei datelor, precum și cu cunoștințele necesare „hackuirii” necesare pentru a începe ca oameni de știință ai datelor.

Cu materiale noi în învățarea profundă, statistică și procesarea limbajului natural, această carte revizuită îți arată cum să găsești diamantele ascunse în haosul de date de astăzi.

• Urmează un curs intensiv de Python
• Învață principiile de bază ale algebrei liniare, statisticii și probabilităților – și cum și când sunt utilizate în știința datelor
• Colectează, explorează, curăță, transformă și prelucrează datele
• „Coboară” în principiile de bază ale învățării automate
• Implementați modele precum cei mai apropiați vecini, clasificarea simplă Bayes, regresia liniară și logistică, arbori de decizie, rețele neuronale și grupare
• Explorează sistemele de recomandare, procesarea limbajului natural, analiza rețelelor, MapReduce și bazele de date.

Recenzii ale cărții:
„Joel te conduce de la întrebările fundamentale ale științei datelor la înțelegerea completă a algoritmilor de bază pe care fiecare om de știință al datelor trebuie să-i cunoască”. —Rohit Sivaprasad, Inginer, Facebook
„Recomand cartea Știința Datelor: Principii de Bază și Aplicații cu Python analiștilor și inginerilor care doresc să evolueze stăpânind domeniul învățării automate. Este cel mai bun instrument pentru a înțelege principiile de bază ale acestui domeniu științific”. —Tom Marthaler, Inginer Șef, Amazon
„Este greu să transformi conceptele științei datelor în cod. Cartea lui Joel o face mult mai ușoară”. —William Cox, Inginer învățare automată, Grubhub.

Joel Grus este inginer de cercetare la Institutul de Inteligență Artificială Allen. A lucrat anterior ca inginer software la Google și ca om de știință al datelor în diverse startup-uri. Locuiește în Seattle, unde participă în mod regulat la cursuri de știința datelor. Scrie ocazional pe blogul său și tweet-uiește toată ziua la @joelgrus.

Producător

Autor
Joel Grus
Editor
Papasotiriou
Titlu Original
Data Science de la Zero
Tip
Tehnologie, Calculatoare - Informatică, Statistică, Inteligență Artificială
Limba
Greacă
Copertă
Moale
Număr de pagini
408
Data de lansare
11/2021
Data de publicare
2021
Dimensiuni
17x24 cm
ISBN-13
9789604911448

Informații importante

Specificațiile sunt colectate de pe site-urile oficiale ale producătorilor. Te rugăm să verifici specificațiile înainte de a finaliza comanda. În cazul în care întâmpini probleme, raportează aici.

Recenzii (3)

  1. 2
  2. 1
  3. 3 stele
    0
  4. 2 stele
    0
  5. 1 stea
    0
Adaugă un review
  • A fost ușor de citit?
  • Înțelegerea subiectului
  • A fost suficient de interesant?
  • Mi-a plăcut stilul de scriere
  • Aș recomanda-o pentru lectură
  • Calitatea hârtiei
  • Aș citi o carte de același autor
  • petridispa
    4
    17 din 17 membri au considerat această recenzie utilă

    Cartea se adresează celor care doresc cu adevărat să se angajeze profesional în aplicații Python în știința datelor și în toate subdomeniile sale (Învățare Automată, Învățare Profundă, etc). Este în parte un lucru bun că nu utilizează bibliotecile scipy, scikit-learn și tensorflow. În schimb, implementează metrici statistice simple și modele de clasificare relativ complexe (Naive Bayes) în detaliu. Aceasta este cea mai bună abordare pentru cineva care nu are experiență anterioară în analiza datelor, deoarece le permite să vadă instrumentele matematice de bază care joacă un rol. Cartea presupune cunoștințe de bază în Python și oricine înțelege, înțelege. Comentează fiecare metodă și oferă sfaturi ocazional. Poate să te copleșească puțin cu utilizarea frecventă a funcțiilor, dar în final, se va dovedi utilă pe măsură ce vezi cum să scrii cod reutilizabil. În plus, nu ți se va cere niciodată să scrii knn, k-means sau naive bayes de la zero, așa cum face Grus. Odată ce termini această carte, vei putea începe să explorezi bibliotecile scipy, scikit-learn și tensorflow și să apelezi fiecare model cu doar o comandă. Poți să te întrebi de ce ar trebui să citești această carte care face totul de la zero? Aș spune că un specialist în știința datelor ar trebui să fie și un bun matematician-statistician, în plus față de a fi un programator competent. Prin urmare, înțelegând matematica din spatele algoritmilor de clasificare, clusterizare și regresie, vei dobândi o înțelegere a conceptului fiecărui algoritm, care metodă este cea mai potrivită pentru probleme specifice și, desigur, cum să optimizezi fiecare metodă. Personal, mi-ar fi plăcut mai multe comentarii și sfaturi referitoare la lucrul cu datele (preprocesare, completarea valorilor lipsă) și algoritmi de clusterizare densă. În concluzie, dacă ești în parte de acord cu ceea ce spun, ia-o și nu trebuie să citești toate capitolele imediat. Recomand capitolele 1 până la 18 și 20.

    Tradus din Greacă ·
    • A fost ușor de citit?
    • Înțelegerea subiectului
    • A fost suficient de interesant?
    • Mi-a plăcut stilul de scriere
    • Aș recomanda-o pentru lectură
    • Calitatea hârtiei
    • Aș putea citi o carte de același autor
    Ai găsit util acest review?
  • Achiziție verificată

    • Calitatea hârtiei
    • A fost ușor de citit?
    • Înțelegerea subiectului
    • A fost suficient de interesant?
    • Mi-a plăcut stilul de scriere
    • Aș citi o carte de același autor
    • Aș recomanda-o pentru lectură
  • Achiziție verificată

    • Calitatea hârtiei
    • A fost ușor de citit?
    • Înțelegerea subiectului
    • A fost suficient de interesant?
    • Mi-a plăcut stilul de scriere
    • Aș citi o carte de același autor
    • Aș recomanda-o pentru lectură
  • Cartea se adresează celor care doresc cu adevărat să se angajeze profesional în aplicații Python în știința datelor și în toate subdomeniile sale (Învățare Automată, Învățare Profundă, etc). Este în parte un lucru bun că nu utilizează bibliotecile scipy, scikit-learn și tensorflow. În schimb, implementează metrici statistice simple și modele de clasificare relativ complexe (Naive Bayes) în detaliu. Aceasta este cea mai bună abordare pentru cineva care nu are experiență anterioară în analiza datelor, deoarece le permite să vadă instrumentele matematice de bază care joacă un rol. Cartea presupune cunoștințe de bază în Python și oricine înțelege, înțelege. Comentează fiecare metodă și oferă sfaturi ocazional. Poate să te copleșească puțin cu utilizarea frecventă a funcțiilor, dar în final, se va dovedi utilă pe măsură ce vezi cum să scrii cod reutilizabil. În plus, nu ți se va cere niciodată să scrii knn, k-means sau naive bayes de la zero, așa cum face Grus. Odată ce termini această carte, vei putea începe să explorezi bibliotecile scipy, scikit-learn și tensorflow și să apelezi fiecare model cu doar o comandă. Poți să te întrebi de ce ar trebui să citești această carte care face totul de la zero? Aș spune că un specialist în știința datelor ar trebui să fie și un bun matematician-statistician, în plus față de a fi un programator competent. Prin urmare, înțelegând matematica din spatele algoritmilor de clasificare, clusterizare și regresie, vei dobândi o înțelegere a conceptului fiecărui algoritm, care metodă este cea mai potrivită pentru probleme specifice și, desigur, cum să optimizezi fiecare metodă. Personal, mi-ar fi plăcut mai multe comentarii și sfaturi referitoare la lucrul cu datele (preprocesare, completarea valorilor lipsă) și algoritmi de clusterizare densă. În concluzie, dacă ești în parte de acord cu ceea ce spun, ia-o și nu trebuie să citești toate capitolele imediat. Recomand capitolele 1 până la 18 și 20.

    Tradus din Greacă ·
    17
  • 0
  • 0
  • Vezi toate
137,20 Lei
12,00 Lei   costul de livrare