Ausgewählter Laden
Skroutz Käuferschutz
Legen Sie den Lieferort fest, um Produkte entsprechend Ihrer Wahl anzuzeigen.
© 20[0-9]{2} Skroutz SA Alle Rechte und Linke vorbehalten. FAQ | Terms of use | Privacy Policy | Cookie Policy
Ausgewählter Laden
Skroutz Käuferschutz
Wissenschaftliche Bücher
Wissenschaftliche Bücher
Wissenschaftliche Bücher
Wissenschaftliche Bücher
Wissenschaftliche Bücher
Wissenschaftliche Bücher
Die Preise werden berechnet für:Deutschland, Andere Zahlungsoptionen
Um Datenwissenschaft wirklich zu lernen, müssen Sie nicht nur die Datenwissenschaftsbibliotheken, Frameworks, Module und Toolkits beherrschen, sondern auch die Ideen und Prinzipien verstehen, die deren Betrieb steuern.
Diese zweite Ausgabe von Data Science: Essential Principles and Applications with Python, aktualisiert für Python 3.6, zeigt Ihnen, wie diese Werkzeuge und Algorithmen funktionieren, indem sie von Grund auf angewendet werden. Wenn Sie eine Neigung zur Mathematik und Programmierkenntnisse haben, wird Ihnen der Autor Joel Grus helfen, sich mit der Mathematik und Statistik, die im Kern der Datenwissenschaft stehen, sowie dem notwendigen "Hacking"-Wissen, das erforderlich ist, um als Datenwissenschaftler zu beginnen, wohlzufühlen. Mit neuem Material zu Deep Learning, Statistik und natürlicher Sprachverarbeitung zeigt Ihnen dieses aktualisierte Buch, wie Sie die verborgenen Schätze im heutigen chaotischen Datendschungel finden können.
Spezifikationen werden von offiziellen Hersteller-Websites gesammelt. Bitte überprüfen Sie die Spezifikationen, bevor Sie Ihren endgültigen Kauf tätigen. Wenn Sie ein Problem bemerken, können Sie melden Sie es hier
Das Buch richtet sich an diejenigen, die sich wirklich professionell mit Python-Anwendungen in der Datenwissenschaft und all ihren Unterkategorien (Machine Learning, Deep Learning, etc.) beschäftigen möchten. Es ist teilweise gut, dass es nicht die Bibliotheken scipy, scikit-learn und tensorflow verwendet. Stattdessen implementiert es einfache statistische Metriken und relativ komplexe Klassifikationsmodelle (Naive Bayes) im Detail. Dies ist der beste Ansatz für jemanden, der keine Vorkenntnisse in der Datenanalyse hat, da es ihm ermöglicht, die grundlegenden mathematischen Werkzeuge zu sehen, die eine Rolle spielen. Das Buch setzt grundlegende Kenntnisse in Python voraus, und jeder, der es versteht, versteht es. Es kommentiert jede Methode und gibt gelegentlich Ratschläge. Es kann Sie ein wenig überwältigen durch die häufige Verwendung von Funktionen, aber am Ende wird es sich als nützlich erweisen, wenn Sie sehen, wie man wiederverwendbaren Code schreibt. Außerdem werden Sie nie aufgefordert, knn, k-means oder naive bayes von Grund auf zu schreiben, wie es Grus tut. Sobald Sie dieses Buch beendet haben, können Sie beginnen, die Bibliotheken scipy, scikit-learn und tensorflow zu erkunden und jedes Modell mit nur einem Befehl aufzurufen. Sie könnten sich fragen, warum Sie dann dieses Buch lesen sollten, das alles von Grund auf macht? Ich würde sagen, dass ein Datenwissenschaftler neben einem kompetenten Programmierer auch ein guter Mathematiker-Statistiker sein sollte. Daher werden Sie durch das Verständnis der Mathematik hinter Klassifikations-, Clustering- und Regressionsalgorithmen ein Verständnis für das Konzept jedes Algorithmus gewinnen, welche Methode am besten für bestimmte Probleme geeignet ist und natürlich, wie man jede Methode optimiert. Persönlich hätte ich mir mehr Kommentare und Ratschläge gewünscht, die sich auf die Arbeit mit Daten (Vorverarbeitung, Auffüllen von leeren Werten) und dichten Clustering-Algorithmen konzentrieren. Zusammenfassend, wenn Sie teilweise mit dem übereinstimmen, was ich sage, nehmen Sie es und Sie müssen nicht alle Kapitel sofort lesen. Ich empfehle Kapitel 1 bis 18 und 20.
Verifizierter Kauf
Verifizierter Kauf