مبانی علم داده و رویکردهای عملی ۲۰۲۰
Data Science Fundamentals and Practical Approaches 2020

با استفاده از پایتون، نحوه‌ی پردازش و تحلیل داده‌ها را بیاموزید.

ویژگی‌های کلیدی:

– توضیحات جامع تئوری‌ها به همراه کد پایتون و خروجی مربوطه برای پشتیبانی از توضیحات تئوری. کدهای پایتون با کامنت‌های گام به گام ارائه شده‌اند تا هر دستورالعمل کد را توضیح دهند.

– این کتاب صرفاً به ریاضیات پس‌زمینه یا فقط برنامه‌ها نمی‌پردازد، بلکه به زیبایی ریاضیات پس‌زمینه را با تئوری مرتبط می‌کند و در نهایت آن را به برنامه‌ها ترجمه می‌کند.

– مجموعه‌ای غنی از تمرین‌های پایان فصل، شامل سؤالات کوتاه و بلند، ارائه شده است.

توضیحات:

این کتاب مفاهیم بنیادی علم داده را معرفی می‌کند، که ثابت کرده است یک عامل مهم در حل مسائل تجاری است.

موضوعات تحت پوشش در این کتاب شامل مبانی علم داده، پیش پردازش داده، نمودارسازی و تجسم داده، تجزیه و تحلیل آماری داده، یادگیری ماشین برای تجزیه و تحلیل داده، تجزیه و تحلیل سری زمانی، یادگیری عمیق برای علم داده، تجزیه و تحلیل رسانه‌های اجتماعی، تجزیه و تحلیل تجاری و تجزیه و تحلیل کلان داده است. محتوای کتاب مبانی هر یک از موضوعات مرتبط با علم داده را به همراه مثال‌های گویا در مورد چگونگی پیاده‌سازی تکنیک‌های مختلف تجزیه و تحلیل داده با استفاده از ابزارها و کتابخانه‌های مختلف زبان برنامه‌نویسی پایتون شرح می‌دهد.

هر فصل شامل مثال‌ها و خروجی‌های گویا متعددی برای توضیح مفاهیم اساسی مهم است. تعداد مناسبی از سؤالات در پایان هر فصل برای ارزیابی خودآزمایی درک مفهومی ارائه شده است. مراجع ارائه شده در پایان هر فصل به خوانندگان کمک می‌کند تا در مورد یک موضوع معین بیشتر تحقیق کنند.

چه چیزی یاد خواهید گرفت؟

پردازش داده‌ها را برای آماده‌سازی آن برای نمودار بصری انجام دهید و الگوی داده‌ها را در طول زمان درک کنید.

درک کنید که یادگیری ماشین چیست و چگونه یادگیری می‌تواند در یک برنامه گنجانده شود.

بدانید که چگونه می‌توان از ابزارها برای انجام تجزیه و تحلیل بر روی کلان داده‌ها با استفاده از پایتون و سایر ابزارهای استاندارد استفاده کرد.

تجزیه و تحلیل رسانه‌های اجتماعی، تجزیه و تحلیل تجاری و تجزیه و تحلیل داده‌ها را بر روی هر داده‌ای از یک شرکت یا سازمان انجام دهید.

این کتاب برای چه کسانی است؟

این کتاب برای خوانندگانی با مهارت‌های اولیه برنامه‌نویسی و ریاضیات است. این کتاب برای هر فارغ‌التحصیل رشته مهندسی است که مایل به استفاده از علم داده در پروژه‌های خود است یا می‌خواهد در این راستا شغلی ایجاد کند. این کتاب را هر کسی که به تجزیه و تحلیل داده‌ها علاقه دارد و مایل است از روی علاقه بیشتر به کاوش بپردازد یا آن را در مسائل واقعی خاص به کار گیرد، می‌تواند مطالعه کند.

فهرست مطالب:

1. مبانی علم داده
2. پیش پردازش داده
3. نمودارسازی و تجسم داده
4. تجزیه و تحلیل آماری داده
5. یادگیری ماشین برای علم داده
6. تجزیه و تحلیل سری زمانی
7. یادگیری عمیق برای علم داده
8. تجزیه و تحلیل رسانه‌های اجتماعی
9. تجزیه و تحلیل تجاری
10. تجزیه و تحلیل کلان داده

Learn how to process and analysis data using PythonÊ

KEY FEATURESÊ

– The book has theories explained elaborately along with Python code and corresponding output to support the theoretical explanations. The Python codes are provided with step-by-step comments to explain each instruction of the code.

– The book is not just dealing with the background mathematics alone or only the programs but beautifully correlates the background mathematics to the theory and then finally translating it into the programs.

– A rich set of chapter-end exercises are provided, consisting of both short-answer questions and long-answer questions.

DESCRIPTION

This book introduces the fundamental concepts of Data Science, which has proved to be a major game-changer in business solving problems.Ê

Topics covered in the book include fundamentals of Data Science, data preprocessing, data plotting and visualization, statistical data analysis, machine learning for data analysis, time-series analysis, deep learning for Data Science, social media analytics, business analytics, and Big Data analytics. The content of the book describes the fundamentals of each of the Data Science related topics together with illustrative examples as to how various data analysis techniques can be implemented using different tools and libraries of Python programming language.

Each chapter contains numerous examples and illustrative output to explain the important basic concepts. An appropriate number of questions is presented at the end of each chapter for self-assessing the conceptual understanding. The references presented at the end of every chapter will help the readers to explore more on a given topic.Ê

WHAT WILL YOU LEARNÊ

Perform processing on data for making it ready for visual plot and understand the pattern in data over time.

Understand what machine learning is and how learning can be incorporated into a program.

Know how tools can be used to perform analysis on big data using python and other standard tools.

Perform social media analytics, business analytics, and data analytics on any data of a company or organization.

WHO THIS BOOK IS FOR

The book is for readers with basic programming and mathematical skills. The book is for any engineering graduates that wish to apply data science in their projects or wish to build a career in this direction. The book can be read by anyone who has an interest in data analysis and would like to explore more out of interest or to apply it to certain real-life problems.

TABLE OF CONTENTS

1. Fundamentals of Data Science1

2. Data Preprocessing

3. Data Plotting and Visualization

4. Statistical Data Analysis

5. Machine Learning for Data Science

6. Time-Series Analysis

7. Deep Learning for Data Science

8. Social Media Analytics

9. Business Analytics

10. Big Data Analytics