کتاب Practical Statistics for Data Scientists: 50 Essential Concepts

وضعیت موجودی موجود

مقایسه شود

قیمت قبلی: 3,980,000 ریال

قیمت: 3,580,000 ریال

Product details

Publisher ‏ : ‎ O'Reilly Media; 1st edition (June 13, 2017)
Language ‏ : ‎ English
Paperback ‏ : ‎ 318 pages
ISBN-10 ‏ : ‎ 1491952962
ISBN-13 ‏ : ‎ 978-1491952962

Statistical methods are a key part of data science, yet very few data scientists have any formal statistics training. Courses and books on basic statistics rarely cover the topic from a data science perspective. This practical guide explains how to apply various 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 programming language, 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.

منابع کتاب کتاب Practical Statistics for Data Scientists: 50 Essential Concepts

روش‌های آماری بخش کلیدی علم داده هستند، اما تعداد کمی از دانشمندان داده‌ها آموزش رسمی آماری دارند. دوره ها و کتاب های آمار پایه به ندرت موضوع را از منظر علم داده پوشش می دهند. این راهنمای عملی نحوه به کارگیری روش‌های آماری مختلف را در علم داده توضیح می‌دهد، به شما می‌گوید چگونه از سوء استفاده از آنها جلوگیری کنید، و به شما توصیه می‌کند که چه چیزی مهم است و چه چیزی نیست.

بسیاری از منابع علم داده از روش های آماری استفاده می کنند، اما فاقد دیدگاه آماری عمیق تر هستند. اگر با زبان برنامه نویسی R آشنا هستید و در معرض آمار و ارقام هستید، این مرجع سریع شکاف را در قالبی قابل دسترس و خوانا پر می کند.

با این کتاب یاد خواهید گرفت:

چرا تجزیه و تحلیل داده های اکتشافی یک مرحله اولیه کلیدی در علم داده است

چگونه نمونه‌گیری تصادفی می‌تواند سوگیری را کاهش دهد و مجموعه داده با کیفیت بالاتری را حتی با داده‌های بزرگ به دست آورد

چگونه اصول طراحی تجربی پاسخ های قطعی به سوالات می دهد

نحوه استفاده از رگرسیون برای برآورد نتایج و تشخیص ناهنجاری ها

تکنیک‌های طبقه‌بندی کلیدی برای پیش‌بینی اینکه یک رکورد به کدام دسته‌ها تعلق دارد

روش های آماری یادگیری ماشینی که از داده ها "یاد می گیرند".

روش های یادگیری بدون نظارت برای استخراج معنا از داده های بدون برچسب.