Επιστημονικά Βιβλία

Επιστήμη Δεδομένων

Συγγραφέας: Joel Grus

Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα και εργαλειοθήκες–, αλλά επίσης να κατανοήσετε...

Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα και εργαλειοθήκες–, αλλά επίσης να κατανοήσετε τις ιδέες και τις αρχές που διέπουν τη λειτουργία τους.

Αυτή η δεύτερη έκδοση της Επιστήμης Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, ενημερωμένη για...

Δες όλη την περιγραφή Δες όλη την περιγραφή
24 75
Παράδοση Πέμ, 25 Ιουν - Δευ, 29 Ιουν
5,00 € μεταφορικά
Αποστέλλεται από Ελλάδα
Από BookBox 5,0 (47)
Ελλάδα
2 τεμάχια
Δες Βιβλία στη σελίδα του BookBox
Κι αν αλλάξω γνώμη;

Κανένα πρόβλημα, αρκεί να είναι εντός 14 ημερών. Ερχόμαστε εμείς για την παραλαβή ή μπορείς να επιλέξεις το Skroutz Point που σου βολεύει, εντελώς δωρεάν έως 2 φορές τον χρόνο, και σου επιστρέφουμε τα χρήματά σου. Απόκτησε Skroutz Plus για απεριόριστες δωρεάν επιστροφές.

Περιγραφή

Περιγραφή

Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα και εργαλειοθήκες–, αλλά επίσης να κατανοήσετε τις ιδέες και τις αρχές που διέπουν τη λειτουργία τους.

Αυτή η δεύτερη έκδοση της Επιστήμης Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, ενημερωμένη για την Python 3.6, σας δείχνει πώς λειτουργούν αυτά τα εργαλεία και οι αλγόριθμοι εφαρμόζοντάς τα από τα πρώτα βήματα. Αν έχετε κλίση στα μαθηματικά και ικανότητες προγραμματισμού, ο συγγραφέας Joel Grus θα σας βοηθήσει να αισθανθείτε άνετα με τα μαθηματικά και τη στατιστική που βρίσκονται στον πυρήνα της επιστήμης δεδομένων, καθώς και με τις απαραίτητες γνώσεις «χακαρίσματος» που απαιτούνται για να ξεκινήσετε ως επιστήμονες δεδομένων.

Με νέο υλικό στη βαθιά μάθηση, στη στατιστική και στην επεξεργασία φυσικής γλώσσας, αυτό το ανανεωμένο βιβλίο σάς δείχνει τον τρόπο να βρείτε τα κρυμμένα διαμάντια μέσα στον σημερινό χαώδη κυκεώνα των δεδομένων.

• Πάρτε ένα ταχύρρυθμο μάθημα στην Python
• Μάθετε τις βασικές αρχές της γραμμικής άλγεβρας, της στατιστικής και των πιθανοτήτων – και πώς και πότε χρησιμοποιούνται στην επιστήμη των δεδομένων
• Συλλέξτε, εξερευνήστε, καθαρίστε, μετασχηματίστε και επεξεργαστείτε τα δεδομένα
• «Καταδυθείτε» στις βασικές αρχές της μηχανικής μάθησης
• Υλοποιήστε μοντέλα όπως k-πλησιέστεροι γείτονες, απλοϊκή ταξινόμηση κατά Bayes, γραμμική και λογιστική παλινδρόμηση, δέντρα αποφάσεων, νευρωνικά δίκτυα και ομαδοποίηση
• Εξερευνήστε τα συστήματα συστάσεων, την επεξεργασία φυσικής γλώσσας, την ανάλυση δικτύων, το MapReduce και τις βάσεις δεδομένων.

Βιβλιοκριτικές:
«Ο Joel σάς ταξιδεύει από τα στοιχειώδη ερωτήματα της επιστήμης των δεδομένων έως την πλήρη κατανόηση των βασικών αλγόριθμων που κάθε επιστήμονας δεδομένων πρέπει να γνωρίζει». —Rohit Sivaprasad, Μηχανικός, Facebook
«Συνιστώ το βιβλίο Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python στους αναλυτές και μηχανικούς που θέλουν να εξελιχθούν κατακτώντας το πεδίο της μηχανικής μάθησης. Είναι το καλύτερο εργαλείο για την κατανόηση των βασικών αρχών αυτού του επιστημονικού κλάδου». —Tom Marthaler, Μηχανικός Διευθυντής, Amazon
«Είναι δύσκολο να μετατρέπεις τις έννοιες της επιστήμης των δεδομένων σε κώδικα. Το βιβλίο του Joel το καθιστά πολύ ευκολότερο». —William Cox, Μηχανικός μηχανικής μάθησης, Grubhub.

Ο Joel Grus είναι μηχανικός έρευνας στο Ινστιτούτο Τεχνητής Νοημοσύνης Allen. Προηγουμένως εργάστηκε ως μηχανικός λογισμικού στην Google και ως επιστήμονας δεδομένων σε διάφορες startups. Ζει στο Σιάτλ, όπου «παρακολουθεί» τακτικά μαθήματα επιστήμης δεδομένων. Γράφει περιστασιακά στο μπλογκ του και τουιτάρει ολημερίς στο @joelgrus.

Κατασκευαστής

Δες όλη την περιγραφή

Χαρακτηριστικά

Χαρακτηριστικά

Συγγραφέας
Joel Grus
Εκδότης
Παπασωτηρίου
Τίτλος Πρωτοτύπου
Data Science from Scratch
Είδος
Τεχνολογία, Υπολογιστές - Πληροφορική , Στατιστική, Τεχνητή Νοημοσύνη
Γλώσσα
Ελληνικά
Εξώφυλλο
Μαλακό
Αριθμός σελίδων
408
Ημερομηνία Κυκλοφορίας
11/2021
Έτος έκδοσης
2021
Διαστάσεις
17x24 cm
ISBN-13
9789604911448

Σημαντική πληροφορία

Τα δεδομένα αυτά συλλέγονται από τις επίσημες σελίδες των προϊόντων. Επιβεβαίωσε τα στοιχεία πριν προχωρήσεις στην τελική αγορά. Εάν παρατηρήσεις κάποιο πρόβλημα μπορείς να το αναφέρεις εδώ.

Δες όλα τα χαρακτηριστικά

Αξιολογήσεις (3)

Αξιολογήσεις

  1. 2
  2. 1
  3. 3 αστέρια
    0
  4. 2 αστέρια
    0
  5. 1 αστέρι
    0
Αξιολόγησε το προϊόν
  • Ήταν ευκολοδιάβαστο
  • Κατανόηση θεματολογίας
  • Ήταν αρκετά ενδιαφέρον
  • Μου άρεσε το ύφος γραφής
  • Θα το πρότεινα για ανάγνωση
  • Ποιότητα χαρτιού
  • Θα διάβαζα βιβλίο του ίδιου συγγραφέα
  • petridispa
    4
    17 στους 17 χρήστες τη βρήκαν χρήσιμη

    Το βιβλίο απευθύνεται σε όσους θέλουν πραγματικά να ασχοληθουν επαγγελματικά με τις εφαρμογές της Python στην επιστήμη δεδομένων και όλα τα υποσύνολα της (Machine Learning. Deep Learning etc). Εν μέρει είναι καλό το γεγονός οτι δεν χρησιμοποιεί τα libraries scipy, scikit-learn και tensorflow, ανταυτού υλοποιεί αναλυτικά απλές στατιστικες μετρικές έως σχετικα πολύπλοκα μοντέλα ταξινομητών (Naive Bayes) και αυτό για έναν που δεν έχει πρότερη εμπειρία με αναλυση δεδομένων είναι το καλύτερο, ώστε να δει τα βασικά μαθηματικά εργαλεία που παίζουν ρόλο. Το βιβλίο προυποθέτει βασική γνώση python και οποιος κατάλαβε. Κατάλαβε. Σχολιάζει σχετικά κάθε μέθοδο και δίνει κάποιες φορές συμβουλές. Ίσως σε ζαλίζει λίγο που καλέι πολλές συναρτήσεις, συνέχεια, αλλα αυτό στο τέλος θα σου φανεί χρήσιμο γιατί βλέπεις πως ειναι να γραφεις reusable code και 2ον δεν προκειται ποτέ να σου ζητηθεί να γράψεις knn, k-means, naive bayes from scratch οπως ο Grus, αφού βγάλεις αυτο το βιβλίο θα μπορείς να ξεκινήσεις το ψάξιμο στις βιβλιοθηκες scipy, scikit-learn, tensorflow και να καλείς καθε μοντέλο με 1 εντολή. Θα μου πείτε γιατι τοτε να διαβάσω αυτο το βιβλίο που τα κάνει ολα from scratch? Εγω θα πώ οτι ένας επιστήμονας δεδομένων πρεπει να ειναι ενας καλος μαθηματικός-στατιστικός, περα απο αξιοπρεπής προγραμματιστής, επομένως βλέποντας τα μαθηματικα που τρέχουν αλγοριθμοι ταξινομησης, ομαδοποιησης, παλινδρομησης, θα μπορείς να εχεις μια μυρωδιά τι κάνει κάθε αλγόριθμος, πιο είναι το concept του, ποια μεθοδο βολεύει καλύτερα για συγκεκριμένα προβλήματα και φυσικα πως μπορείς να κάνεις optimization καθε μεθοδο. Προσωπικά θα ήθελα περισσότερα σχόλια και συμβουλές targeted στην εργασία με δεδομένα (preprocessing, filling empty values) και πυκνωτικούς αλγορίθμους ομαδοποίησης. Εν κατακλείδι, αν συμφωνείτε εν μέρει με αυτά που λέω πάρτε το και για αρχή δε χρειάζεται να διαβασετε ολα τα κεφάλαια. Εγω προτείνω 1 εως 18 και 20.

    • Ήταν ευκολοδιάβαστο
    • Κατανόηση θεματολογίας
    • Ήταν αρκετά ενδιαφέρον
    • Μου άρεσε το ύφος γραφής
    • Θα το πρότεινα για ανάγνωση
    • Ποιότητα χαρτιού
    • Ίσως να διάβαζα βιβλίο του ίδιου συγγραφέα
    Σου φάνηκε χρήσιμη;
  • Επιβεβαιωμένη αγορά

    • Ποιότητα χαρτιού
    • Ήταν ευκολοδιάβαστο
    • Κατανόηση θεματολογίας
    • Ήταν αρκετά ενδιαφέρον
    • Μου άρεσε το ύφος γραφής
    • Θα διάβαζα βιβλίο του ίδιου συγγραφέα
    • Θα το πρότεινα για ανάγνωση
  • Επιβεβαιωμένη αγορά

    • Ποιότητα χαρτιού
    • Ήταν ευκολοδιάβαστο
    • Κατανόηση θεματολογίας
    • Ήταν αρκετά ενδιαφέρον
    • Μου άρεσε το ύφος γραφής
    • Θα διάβαζα βιβλίο του ίδιου συγγραφέα
    • Θα το πρότεινα για ανάγνωση
  • Το βιβλίο απευθύνεται σε όσους θέλουν πραγματικά να ασχοληθουν επαγγελματικά με τις εφαρμογές της Python στην επιστήμη δεδομένων και όλα τα υποσύνολα της (Machine Learning. Deep Learning etc). Εν μέρει είναι καλό το γεγονός οτι δεν χρησιμοποιεί τα libraries scipy, scikit-learn και tensorflow, ανταυτού υλοποιεί αναλυτικά απλές στατιστικες μετρικές έως σχετικα πολύπλοκα μοντέλα ταξινομητών (Naive Bayes) και αυτό για έναν που δεν έχει πρότερη εμπειρία με αναλυση δεδομένων είναι το καλύτερο, ώστε να δει τα βασικά μαθηματικά εργαλεία που παίζουν ρόλο. Το βιβλίο προυποθέτει βασική γνώση python και οποιος κατάλαβε. Κατάλαβε. Σχολιάζει σχετικά κάθε μέθοδο και δίνει κάποιες φορές συμβουλές. Ίσως σε ζαλίζει λίγο που καλέι πολλές συναρτήσεις, συνέχεια, αλλα αυτό στο τέλος θα σου φανεί χρήσιμο γιατί βλέπεις πως ειναι να γραφεις reusable code και 2ον δεν προκειται ποτέ να σου ζητηθεί να γράψεις knn, k-means, naive bayes from scratch οπως ο Grus, αφού βγάλεις αυτο το βιβλίο θα μπορείς να ξεκινήσεις το ψάξιμο στις βιβλιοθηκες scipy, scikit-learn, tensorflow και να καλείς καθε μοντέλο με 1 εντολή. Θα μου πείτε γιατι τοτε να διαβάσω αυτο το βιβλίο που τα κάνει ολα from scratch? Εγω θα πώ οτι ένας επιστήμονας δεδομένων πρεπει να ειναι ενας καλος μαθηματικός-στατιστικός, περα απο αξιοπρεπής προγραμματιστής, επομένως βλέποντας τα μαθηματικα που τρέχουν αλγοριθμοι ταξινομησης, ομαδοποιησης, παλινδρομησης, θα μπορείς να εχεις μια μυρωδιά τι κάνει κάθε αλγόριθμος, πιο είναι το concept του, ποια μεθοδο βολεύει καλύτερα για συγκεκριμένα προβλήματα και φυσικα πως μπορείς να κάνεις optimization καθε μεθοδο. Προσωπικά θα ήθελα περισσότερα σχόλια και συμβουλές targeted στην εργασία με δεδομένα (preprocessing, filling empty values) και πυκνωτικούς αλγορίθμους ομαδοποίησης. Εν κατακλείδι, αν συμφωνείτε εν μέρει με αυτά που λέω πάρτε το και για αρχή δε χρειάζεται να διαβασετε ολα τα κεφάλαια. Εγω προτείνω 1 εως 18 και 20.

    17
  • 0
  • 0
  • Δες τα όλα
Ερωτήσεις

Ερωτήσεις

Έχεις απορία για το προϊόν;

34 χρήστες έχουν το προϊόν και μπορούν να σε βοηθήσουν

Ρώτησε για το προϊόν

Περιγραφή & Χαρακτηριστικά

Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα και εργαλειοθήκες–, αλλά επίσης να κατανοήσετε τις ιδέες και τις αρχές που διέπουν τη λειτουργία τους.

Αυτή η δεύτερη έκδοση της Επιστήμης Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, ενημερωμένη για την Python 3.6, σας δείχνει πώς λειτουργούν αυτά τα εργαλεία και οι αλγόριθμοι εφαρμόζοντάς τα από τα πρώτα βήματα. Αν έχετε κλίση στα μαθηματικά και ικανότητες προγραμματισμού, ο συγγραφέας Joel Grus θα σας βοηθήσει να αισθανθείτε άνετα με τα μαθηματικά και τη στατιστική που βρίσκονται στον πυρήνα της επιστήμης δεδομένων, καθώς και με τις απαραίτητες γνώσεις «χακαρίσματος» που απαιτούνται για να ξεκινήσετε ως επιστήμονες δεδομένων.

Με νέο υλικό στη βαθιά μάθηση, στη στατιστική και στην επεξεργασία φυσικής γλώσσας, αυτό το ανανεωμένο βιβλίο σάς δείχνει τον τρόπο να βρείτε τα κρυμμένα διαμάντια μέσα στον σημερινό χαώδη κυκεώνα των δεδομένων.

• Πάρτε ένα ταχύρρυθμο μάθημα στην Python
• Μάθετε τις βασικές αρχές της γραμμικής άλγεβρας, της στατιστικής και των πιθανοτήτων – και πώς και πότε χρησιμοποιούνται στην επιστήμη των δεδομένων
• Συλλέξτε, εξερευνήστε, καθαρίστε, μετασχηματίστε και επεξεργαστείτε τα δεδομένα
• «Καταδυθείτε» στις βασικές αρχές της μηχανικής μάθησης
• Υλοποιήστε μοντέλα όπως k-πλησιέστεροι γείτονες, απλοϊκή ταξινόμηση κατά Bayes, γραμμική και λογιστική παλινδρόμηση, δέντρα αποφάσεων, νευρωνικά δίκτυα και ομαδοποίηση
• Εξερευνήστε τα συστήματα συστάσεων, την επεξεργασία φυσικής γλώσσας, την ανάλυση δικτύων, το MapReduce και τις βάσεις δεδομένων.

Βιβλιοκριτικές:
«Ο Joel σάς ταξιδεύει από τα στοιχειώδη ερωτήματα της επιστήμης των δεδομένων έως την πλήρη κατανόηση των βασικών αλγόριθμων που κάθε επιστήμονας δεδομένων πρέπει να γνωρίζει». —Rohit Sivaprasad, Μηχανικός, Facebook
«Συνιστώ το βιβλίο Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python στους αναλυτές και μηχανικούς που θέλουν να εξελιχθούν κατακτώντας το πεδίο της μηχανικής μάθησης. Είναι το καλύτερο εργαλείο για την κατανόηση των βασικών αρχών αυτού του επιστημονικού κλάδου». —Tom Marthaler, Μηχανικός Διευθυντής, Amazon
«Είναι δύσκολο να μετατρέπεις τις έννοιες της επιστήμης των δεδομένων σε κώδικα. Το βιβλίο του Joel το καθιστά πολύ ευκολότερο». —William Cox, Μηχανικός μηχανικής μάθησης, Grubhub.

Ο Joel Grus είναι μηχανικός έρευνας στο Ινστιτούτο Τεχνητής Νοημοσύνης Allen. Προηγουμένως εργάστηκε ως μηχανικός λογισμικού στην Google και ως επιστήμονας δεδομένων σε διάφορες startups. Ζει στο Σιάτλ, όπου «παρακολουθεί» τακτικά μαθήματα επιστήμης δεδομένων. Γράφει περιστασιακά στο μπλογκ του και τουιτάρει ολημερίς στο @joelgrus.

Κατασκευαστής

Συγγραφέας
Joel Grus
Εκδότης
Παπασωτηρίου
Τίτλος Πρωτοτύπου
Data Science from Scratch
Είδος
Τεχνολογία, Υπολογιστές - Πληροφορική , Στατιστική, Τεχνητή Νοημοσύνη
Γλώσσα
Ελληνικά
Εξώφυλλο
Μαλακό
Αριθμός σελίδων
408
Ημερομηνία Κυκλοφορίας
11/2021
Έτος έκδοσης
2021
Διαστάσεις
17x24 cm
ISBN-13
9789604911448

Σημαντική πληροφορία

Τα δεδομένα αυτά συλλέγονται από τις επίσημες σελίδες των προϊόντων. Επιβεβαίωσε τα στοιχεία πριν προχωρήσεις στην τελική αγορά. Εάν παρατηρήσεις κάποιο πρόβλημα μπορείς να το αναφέρεις εδώ.

Αξιολογήσεις (3)

  1. 2
  2. 1
  3. 3 αστέρια
    0
  4. 2 αστέρια
    0
  5. 1 αστέρι
    0
Αξιολόγησε το προϊόν
  • Ήταν ευκολοδιάβαστο
  • Κατανόηση θεματολογίας
  • Ήταν αρκετά ενδιαφέρον
  • Μου άρεσε το ύφος γραφής
  • Θα το πρότεινα για ανάγνωση
  • Ποιότητα χαρτιού
  • Θα διάβαζα βιβλίο του ίδιου συγγραφέα
  • petridispa
    4
    17 στους 17 χρήστες τη βρήκαν χρήσιμη

    Το βιβλίο απευθύνεται σε όσους θέλουν πραγματικά να ασχοληθουν επαγγελματικά με τις εφαρμογές της Python στην επιστήμη δεδομένων και όλα τα υποσύνολα της (Machine Learning. Deep Learning etc). Εν μέρει είναι καλό το γεγονός οτι δεν χρησιμοποιεί τα libraries scipy, scikit-learn και tensorflow, ανταυτού υλοποιεί αναλυτικά απλές στατιστικες μετρικές έως σχετικα πολύπλοκα μοντέλα ταξινομητών (Naive Bayes) και αυτό για έναν που δεν έχει πρότερη εμπειρία με αναλυση δεδομένων είναι το καλύτερο, ώστε να δει τα βασικά μαθηματικά εργαλεία που παίζουν ρόλο. Το βιβλίο προυποθέτει βασική γνώση python και οποιος κατάλαβε. Κατάλαβε. Σχολιάζει σχετικά κάθε μέθοδο και δίνει κάποιες φορές συμβουλές. Ίσως σε ζαλίζει λίγο που καλέι πολλές συναρτήσεις, συνέχεια, αλλα αυτό στο τέλος θα σου φανεί χρήσιμο γιατί βλέπεις πως ειναι να γραφεις reusable code και 2ον δεν προκειται ποτέ να σου ζητηθεί να γράψεις knn, k-means, naive bayes from scratch οπως ο Grus, αφού βγάλεις αυτο το βιβλίο θα μπορείς να ξεκινήσεις το ψάξιμο στις βιβλιοθηκες scipy, scikit-learn, tensorflow και να καλείς καθε μοντέλο με 1 εντολή. Θα μου πείτε γιατι τοτε να διαβάσω αυτο το βιβλίο που τα κάνει ολα from scratch? Εγω θα πώ οτι ένας επιστήμονας δεδομένων πρεπει να ειναι ενας καλος μαθηματικός-στατιστικός, περα απο αξιοπρεπής προγραμματιστής, επομένως βλέποντας τα μαθηματικα που τρέχουν αλγοριθμοι ταξινομησης, ομαδοποιησης, παλινδρομησης, θα μπορείς να εχεις μια μυρωδιά τι κάνει κάθε αλγόριθμος, πιο είναι το concept του, ποια μεθοδο βολεύει καλύτερα για συγκεκριμένα προβλήματα και φυσικα πως μπορείς να κάνεις optimization καθε μεθοδο. Προσωπικά θα ήθελα περισσότερα σχόλια και συμβουλές targeted στην εργασία με δεδομένα (preprocessing, filling empty values) και πυκνωτικούς αλγορίθμους ομαδοποίησης. Εν κατακλείδι, αν συμφωνείτε εν μέρει με αυτά που λέω πάρτε το και για αρχή δε χρειάζεται να διαβασετε ολα τα κεφάλαια. Εγω προτείνω 1 εως 18 και 20.

    • Ήταν ευκολοδιάβαστο
    • Κατανόηση θεματολογίας
    • Ήταν αρκετά ενδιαφέρον
    • Μου άρεσε το ύφος γραφής
    • Θα το πρότεινα για ανάγνωση
    • Ποιότητα χαρτιού
    • Ίσως να διάβαζα βιβλίο του ίδιου συγγραφέα
    Σου φάνηκε χρήσιμη;
  • Επιβεβαιωμένη αγορά

    • Ποιότητα χαρτιού
    • Ήταν ευκολοδιάβαστο
    • Κατανόηση θεματολογίας
    • Ήταν αρκετά ενδιαφέρον
    • Μου άρεσε το ύφος γραφής
    • Θα διάβαζα βιβλίο του ίδιου συγγραφέα
    • Θα το πρότεινα για ανάγνωση
  • Επιβεβαιωμένη αγορά

    • Ποιότητα χαρτιού
    • Ήταν ευκολοδιάβαστο
    • Κατανόηση θεματολογίας
    • Ήταν αρκετά ενδιαφέρον
    • Μου άρεσε το ύφος γραφής
    • Θα διάβαζα βιβλίο του ίδιου συγγραφέα
    • Θα το πρότεινα για ανάγνωση
  • Το βιβλίο απευθύνεται σε όσους θέλουν πραγματικά να ασχοληθουν επαγγελματικά με τις εφαρμογές της Python στην επιστήμη δεδομένων και όλα τα υποσύνολα της (Machine Learning. Deep Learning etc). Εν μέρει είναι καλό το γεγονός οτι δεν χρησιμοποιεί τα libraries scipy, scikit-learn και tensorflow, ανταυτού υλοποιεί αναλυτικά απλές στατιστικες μετρικές έως σχετικα πολύπλοκα μοντέλα ταξινομητών (Naive Bayes) και αυτό για έναν που δεν έχει πρότερη εμπειρία με αναλυση δεδομένων είναι το καλύτερο, ώστε να δει τα βασικά μαθηματικά εργαλεία που παίζουν ρόλο. Το βιβλίο προυποθέτει βασική γνώση python και οποιος κατάλαβε. Κατάλαβε. Σχολιάζει σχετικά κάθε μέθοδο και δίνει κάποιες φορές συμβουλές. Ίσως σε ζαλίζει λίγο που καλέι πολλές συναρτήσεις, συνέχεια, αλλα αυτό στο τέλος θα σου φανεί χρήσιμο γιατί βλέπεις πως ειναι να γραφεις reusable code και 2ον δεν προκειται ποτέ να σου ζητηθεί να γράψεις knn, k-means, naive bayes from scratch οπως ο Grus, αφού βγάλεις αυτο το βιβλίο θα μπορείς να ξεκινήσεις το ψάξιμο στις βιβλιοθηκες scipy, scikit-learn, tensorflow και να καλείς καθε μοντέλο με 1 εντολή. Θα μου πείτε γιατι τοτε να διαβάσω αυτο το βιβλίο που τα κάνει ολα from scratch? Εγω θα πώ οτι ένας επιστήμονας δεδομένων πρεπει να ειναι ενας καλος μαθηματικός-στατιστικός, περα απο αξιοπρεπής προγραμματιστής, επομένως βλέποντας τα μαθηματικα που τρέχουν αλγοριθμοι ταξινομησης, ομαδοποιησης, παλινδρομησης, θα μπορείς να εχεις μια μυρωδιά τι κάνει κάθε αλγόριθμος, πιο είναι το concept του, ποια μεθοδο βολεύει καλύτερα για συγκεκριμένα προβλήματα και φυσικα πως μπορείς να κάνεις optimization καθε μεθοδο. Προσωπικά θα ήθελα περισσότερα σχόλια και συμβουλές targeted στην εργασία με δεδομένα (preprocessing, filling empty values) και πυκνωτικούς αλγορίθμους ομαδοποίησης. Εν κατακλείδι, αν συμφωνείτε εν μέρει με αυτά που λέω πάρτε το και για αρχή δε χρειάζεται να διαβασετε ολα τα κεφάλαια. Εγω προτείνω 1 εως 18 και 20.

    17
  • 0
  • 0
  • Δες τα όλα
24,75 €
5,00 €   μεταφορικά