دارای 25% تخفیف

Fundamentals of Data Science: Theory and Practice | مبانی علم داده: تئوری و عمل

کد کتاب 193792

(169 )

ناشر : ‎ Academic Press ( فهرست کتاب های انتشارات ‎ Academic Press )

تعداد صفحه

334

چاپ

رنگی

زبان

انگلیسی

سال نشر

2023

شابک

9780323917780

قطع

رحلی

نوبت چاپ

اول

نویسنده

Jugal K. Kalita , Dhruba K. Bhattacharyya, Swarup Roy

موجود در انبار (قیمت و موجودی بروز می باشد ، با خیال راحت خرید کنید)

25%

0 ريال جمع تخفیف کالاهای اصلی	0 ريال جمع مبلغ پرداختی کالاهای اصلی
0 ريال جمع تخفیف کالاهای اجباری	0 ريال جمع مبلغ پرداختی کالاهای اجباری
0 ريال جمع تخفیف کالاهای اختیاری	0 ريال جمع مبلغ پرداختی کالاهای اختیاری
تعداد درخواستی : نوع صحافی نوع چاپ سود شما از خرید : 0 جمع مبلغ پرداختی : 0

توضیحات اطلاعات بیشتر پرسش و پاسخ

مبانی علم داده: تئوری و عمل

مبانی علم داده: تئوری و عمل مفاهیم پایه و پیشرفته در علم داده را همراه با کاربردهای واقعی ارائه می دهد. این کتاب به دانشجویان، محققان و متخصصان در سطوح مختلف درک خوبی از مفاهیم علم داده، یادگیری ماشین، داده کاوی و تجزیه و تحلیل ارائه می دهد. کاربران تجربیات و دستاوردهای پژوهشی نویسندگان را در کاربردهای علم داده، همراه با بحث های عمیق درباره موضوعاتی که برای پروژه های علم داده ضروری هستند، از جمله پیش پردازش، که قبل از اعمال وظایف تحلیل داده های پیش بینی کننده و توصیفی و نزدیکی انجام می شود، پیدا خواهند کرد. اندازه گیری برای داده های عددی، مقوله ای و ترکیبی. نویسندگان کتاب شامل ارائه سیستماتیک بسیاری از الگوریتم های یادگیری پیش بینی کننده و توصیفی هستند، از جمله پیشرفت های اخیر که با موفقیت مجموعه داده های بزرگ را با دقت بالا مدیریت کرده اند. علاوه بر این، تعدادی از وظایف یادگیری توصیفی گنجانده شده است.

Fundamentals of Data Science: Theory and Practice

Fundamentals of Data Science: Theory and Practice presents basic and advanced concepts in data science along with real-life applications. The book provides students, researchers and professionals at different levels a good understanding of the concepts of data science, machine learning, data mining and analytics. Users will find the authors’ research experiences and achievements in data science applications, along with in-depth discussions on topics that are essential for data science projects, including pre-processing, that is carried out before applying predictive and descriptive data analysis tasks and proximity measures for numeric, categorical and mixed-type data. The book's authors include a systematic presentation of many predictive and descriptive learning algorithms, including recent developments that have successfully handled large datasets with high accuracy. In addition, a number of descriptive learning tasks are included.