توضیحات
Statistical methods are a key part of data science, yet few data scientists have formal statistical training. Courses and books on basic statistics rarely cover the topic from a data science perspective. The second edition of this popular guide adds comprehensive examples in Python, provides practical guidance on applying statistical methods to data science, tells you how to avoid their misuse, and gives you advice on what’s important and what’s not.
Many data science resources incorporate statistical methods but lack a deeper statistical perspective. If you’re familiar with the R or Python programming languages and have some exposure to statistics, this quick reference bridges the gap in an accessible, readable format.
With this book, you’ll learn:
Why exploratory data analysis is a key preliminary step in data science
How random sampling can reduce bias and yield a higher-quality dataset, even with big data
How the principles of experimental design yield definitive answers to questions
How to use regression to estimate outcomes and detect anomalies
Key classification techniques for predicting which categories a record belongs to
Statistical machine learning methods that ‘learn’ from data
Unsupervised learning methods for extracting meaning from unlabeled data
————————————————————–
ترجمه ماشینی :
روش های آماری بخش کلیدی علم داده هستند، با این حال تعداد کمی از دانشمندان داده آموزش آماری رسمی دارند. دوره ها و کتاب های آمار پایه به ندرت موضوع را از منظر علم داده پوشش می دهند. نسخه دوم این راهنمای محبوب مثالهای جامعی را در پایتون اضافه میکند، راهنماییهای عملی در مورد بهکارگیری روشهای آماری در علم داده ارائه میدهد، به شما میگوید چگونه از سوءاستفاده از آنها جلوگیری کنید، و توصیههایی در مورد آنچه مهم است و چه چیزی نیست به شما میدهد.
بسیاری از منابع علم داده از روش های آماری استفاده می کنند، اما فاقد دیدگاه آماری عمیق تر هستند. اگر با زبان های برنامه نویسی R یا Python آشنا هستید و در معرض آمار قرار دارید، این مرجع سریع شکاف را در قالبی قابل دسترس و خواندنی پر می کند.
با این کتاب، یاد خواهید گرفت:< br />
چرا تجزیه و تحلیل داده های اکتشافی یک مرحله مقدماتی کلیدی در علم داده است
چگونه نمونه گیری تصادفی می تواند سوگیری را کاهش دهد و مجموعه داده با کیفیت بالاتری را حتی با داده های بزرگ به دست آورد
چگونه اصول طراحی آزمایشی پاسخ های قطعی به سؤالات می دهد
چگونه از رگرسیون برای تخمین نتایج و تشخیص ناهنجاری ها استفاده کنیم
تکنیک های طبقه بندی کلیدی برای پیش بینی اینکه یک رکورد متعلق به کدام دسته است
روش های آماری یادگیری ماشینی که «یادگیری می کنند از داده
روشهای یادگیری بدون نظارت برای استخراج معنا از داده های بدون برچسب
tag : دانلود کتاب آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python , Download آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python , دانلود آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python , Download Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python Book , آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python دانلود , buy آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python , خرید کتاب آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python , دانلود کتاب Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python , کتاب Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python , دانلود Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python , خرید Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python , خرید کتاب Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.