دانلود کتاب Thinking Data Science: A Data Science PractitionerÖs Guide – Thinking Data Science: A Data Science PractitionerÖs Guide

توضیحات

This definitive guide to Machine Learning projects answers the problems an aspiring or experienced data scientist frequently has: Confused on what technology to use for your ML development? Should I use GOFAI, ANN/DNN or Transfer Learning? Can I rely on AutoML for model development? What if the client provides me Gig and Terabytes of data for developing analytic models? How do I handle high-frequency dynamic datasets? This book provides the practitioner with a consolidation of the entire data science process in a single Cheat Sheet.

The challenge for a data scientistis to extract meaningful information from huge datasets that will help to create better strategies for businesses. Many Machine Learning algorithms and Neural Networks are designedto do analytics on such datasets. For a data scientist, it is a daunting decision as to which algorithm to use for a given dataset. Although there is no single answer to this question, a systematic approach to problem solving is necessary. This book describes the various ML algorithms conceptually and defines/discusses a process in the selection of ML/DL models. The consolidation of available algorithms and techniques for designing efficient ML models is the key aspect of this book.Thinking Data Sciencewill helppractising data scientists, academicians, researchers, and students who want to build ML models using theappropriate algorithms and architectures, whether the data be small or big.

————————————————————–

ترجمه ماشینی :

این راهنمای قطعی پروژه‌های یادگیری ماشینی به مشکلاتی که یک دانشمند داده مشتاق یا با تجربه اغلب دارد پاسخ می‌دهد: آیا در مورد استفاده از چه فناوری برای توسعه ML خود گیج شده‌اید؟ آیا باید از GOFAI، ANN/DNN یا Transfer Learning استفاده کنم؟ آیا می توانم برای توسعه مدل به AutoML تکیه کنم؟ اگر مشتری گیگ و ترابایت داده برای توسعه مدل‌های تحلیلی به من بدهد چه؟ چگونه مجموعه داده های پویا با فرکانس بالا را مدیریت کنم؟ این کتاب ادغام کل فرآیند علم داده در یک برگه تقلب را در اختیار پزشک قرار می دهد.

چالش یک دانشمند داده برای استخراج اطلاعات معنادار از مجموعه داده های عظیم که به ایجاد بهتر کمک می کند. استراتژی برای کسب و کار بسیاری از الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی برای انجام تجزیه و تحلیل بر روی این مجموعه داده‌ها طراحی شده‌اند. برای یک دانشمند داده، این یک تصمیم دلهره آور است که از کدام الگوریتم برای یک مجموعه داده معین استفاده کند. اگرچه پاسخ واحدی برای این سوال وجود ندارد، اما یک رویکرد سیستماتیک برای حل مسئله ضروری است. این کتاب الگوریتم‌های مختلف ML را به صورت مفهومی توصیف می‌کند و فرآیندی را در انتخاب مدل‌های ML/DL تعریف/بحث می‌کند. ادغام الگوریتم‌ها و تکنیک‌های موجود برای طراحی مدل‌های ML کارآمد جنبه کلیدی این کتاب است.تفکر علم دادهبه متخصصان داده، دانشگاهیان، محققان و دانشجویانی که می‌خواهند کمک کند. برای ساختن مدل‌های ML با استفاده از الگوریتم‌ها و معماری‌های مناسب، چه داده‌ها کوچک یا بزرگ باشند.

tag : دانلود کتاب Thinking Data Science: A Data Science PractitionerÖs Guide , Download Thinking Data Science: A Data Science PractitionerÖs Guide , دانلود Thinking Data Science: A Data Science PractitionerÖs Guide , Download Thinking Data Science: A Data Science PractitionerÖs Guide Book , Thinking Data Science: A Data Science PractitionerÖs Guide دانلود , buy Thinking Data Science: A Data Science PractitionerÖs Guide , خرید کتاب Thinking Data Science: A Data Science PractitionerÖs Guide , دانلود کتاب Thinking Data Science: A Data Science PractitionerÖs Guide , کتاب Thinking Data Science: A Data Science PractitionerÖs Guide , دانلود Thinking Data Science: A Data Science PractitionerÖs Guide , خرید Thinking Data Science: A Data Science PractitionerÖs Guide , خرید کتاب Thinking Data Science: A Data Science PractitionerÖs Guide ,