دانلود کتاب Data Science with Java – علم داده با جاوا

Data Science is booming thanks to R and Python, but Java brings the robustness, convenience, and ability to scale critical to todays data science applications. With this practical book, Java software engineers looking to add data science skills will take a logical journey through the data science pipeline. Author Michael Brzustowicz explains the basic math theory behind each step of the data science process, as well as how to apply these concepts with Java.

Youll learn the critical roles that data IO, linear algebra, statistics, data operations, learning and prediction, and Hadoop MapReduce play in the process. Throughout this book, youll find code examples you can use in your applications.

• Examine methods for obtaining, cleaning, and arranging data into its purest form
• Understand the matrix structure that your data should take
• Learn basic concepts for testing the origin and validity of data
• Transform your data into stable and usable numerical values
• Understand supervised and unsupervised learning algorithms, and methods for evaluating their success
• Get up and running with MapReduce, using customized components suitable for data science algorithms

علم داده به لطف R و Python در حال رونق است، اما جاوا استحکام، راحتی و توانایی را برای مقیاس بندی برنامه های کاربردی علم داده امروزی به ارمغان می آورد. با این کتاب کاربردی، مهندسان نرم افزار جاوا که به دنبال افزودن مهارت های علم داده هستند، سفری منطقی را در خط لوله علم داده طی خواهند کرد. نویسنده Michael Brzustowicz نظریه پایه ریاضی در پشت هر مرحله از فرآیند علم داده و همچنین نحوه به کارگیری این مفاهیم را با جاوا توضیح می دهد.

شما نقش مهمی را یاد خواهید گرفت که IO داده، جبر خطی، آمار، داده ها عملیات، یادگیری و پیش بینی، و Hadoop MapReduce بازی در این فرآیند. در سرتاسر این کتاب، نمونه‌های کدی را خواهید یافت که می‌توانید در برنامه‌های خود استفاده کنید.

• روش‌های به دست آوردن، تمیز کردن، و مرتب کردن داده‌ها را به شکل خالص آن بررسی کنید
• درک ساختار ماتریس که داده های شما باید داشته باشند
• مفاهیم اساسی را برای آزمایش مبدا و اعتبار داده ها بیاموزید
• داده های خود را به مقادیر عددی پایدار و قابل استفاده تبدیل کنید
• درک نظارت و نظارت نشده الگوریتم‌های یادگیری و روش‌های ارزیابی موفقیت آنها
• با MapReduce، با استفاده از مؤلفه‌های سفارشی‌سازی شده مناسب برای الگوریتم‌های علم داده راه‌اندازی و اجرا شوید