- عنوان کتاب: Multivariate Analysis and Machine Learning Techniques Feature Analysis in Data Science Using Python
- نویسنده: Srikrishnan Sundararajan
- حوزه: یادگیری ماشین
- سال انتشار: 2025
- تعداد صفحه: 272
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 6.22 مگابایت
این کتاب مقدمهای جامع و سطح اول بر تحلیل دادهها ارائه میدهد. این کتاب شامل تحلیل چند متغیره، هوش مصنوعی/یادگیری ماشین و سایر تکنیکهای محاسباتی برای حل مسائل علوم داده با استفاده از پایتون است. مباحث مطرح شده شامل مقدمهای کاربردی بر برنامهنویسی با پایتون برای تحلیل دادهها، احتمال و آمار، آزمون فرضیه، همبستگی و رگرسیون، تحلیل عاملی، طبقهبندی (شامل رگرسیون لجستیک، تحلیل تفکیک خطی، درخت تصمیم و ماشینهای بردار پشتیبان)، تحلیل خوشهای، تحلیل بقا، تکنیکهای محاسباتی عمومی (تحلیل سبد بازار، تحلیل شبکه اجتماعی و سیستمهای توصیه)، یادگیری ماشین و یادگیری عمیق است. کتابهای درسی دانشگاهی زیادی برای آموزش کاربردهای آماری با استفاده از R، SAS و SPSS در دسترس هستند. با این حال، نیاز به کتابهای درسی وجود دارد که مقدمهای جامع بر اکوسیستم نوظهور و قدرتمند پایتون، که در کاربردهای علوم داده و یادگیری ماشین فراگیر است، ارائه دهند. این کتاب ترکیبی هوشمندانه از تئوری و عمل ارائه میدهد که با بیش از ۱۰۰ آموزش کدگذاری شده به زبان برنامهنویسی پایتون تقویت شده است. آموزشها و مثالها، مسائل دنیای واقعی را با استفاده از دادههای جمعآوریشده از مجموعه دادههای عمومی، مفهومسازی میکنند. این کتاب برای هر دانشجوی علوم داده با درک ابتدایی (سطح دبیرستان) از برنامهنویسی و آمار طراحی شده است. این کتاب میتواند یک کتاب درسی تکمیلی برای دورههای سطح اول در آمار کاربردی، تحلیل چند متغیره، یادگیری ماشین، یادگیری عمیق، دادهکاوی و تحلیل کسب و کار باشد. همچنین میتواند به عنوان یک کتاب مرجع توسط متخصصان تحلیل داده مورد استفاده قرار گیرد.
This book offers a comprehensive first-level introduction to data analytics. The book covers multivariate analysis, AI/ML, and other computational techniques for solving data science problems using Python. The topics covered include a working introduction to programming with Python for data analytics, probability and statistics, hypothesis testing, correlation and regression, factor analysis, classification (including logistic regression, linear discriminant analysis, decision tree, and support vector machines), cluster analysis, survival analysis, general computational techniques (market basket analysis, social network analysis, and recommendation systems), machine learning, and deep learning. Many academic textbooks are available for teaching statistical applications using R, SAS, and SPSS. However, there is a need for textbooks that provide a comprehensive introduction to the emerging and powerful Python ecosystem, which is pervasive in data science and machine learning applications. The book offers a judicious mix of theory and practice, reinforced by over 100 tutorials coded in the Python programming language. The tutorials and examples conceptualize real-world problems using data curated from public domain datasets. It is designed to benefit any data science aspirant with a primary (higher secondary school level) understanding of programming and statistics. This book may be a supplementary textbook for first-level courses in applied statistics, multivariate analysis, machine learning, deep learning, data mining, and business analytics. It can also be used as a reference book by data analytics professionals.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Multivariate Analysis and Machine Learning Techniques Feature Analysis in Data Science Using Python
نظرات کاربران