Data Science from Scratch

📊 برای یادگیری واقعی علوم داده، شما نباید تنها بر ابزارها—کتابخانه‌ها، فریم‌ورک‌ها، ماژول‌ها و کیت‌های ابزار علوم داده—تسلط پیدا کنید، بلکه باید ایده‌ها و اصول پشت آن‌ها را نیز درک کنید.

🐍 نسخه دوم کتاب Data Science from Scratch، به‌روز شده برای پایتون 3.6، نشان می‌دهد که این ابزارها و الگوریتم‌ها چگونه کار می‌کنند با پیاده‌سازی آن‌ها از ابتدا.

🧮 اگر توانایی ریاضی و مهارت‌های برنامه‌نویسی دارید، نویسنده Joel Grus به شما کمک می‌کند تا با ریاضیات و آمار پایه‌ای علوم داده راحت شوید و مهارت‌های هک مورد نیاز برای شروع به عنوان یک دانشمند داده را بیاموزید.

🤖 این نسخه به‌روز شده شامل مطالب جدیدی در مورد یادگیری عمیق، آمار و پردازش زبان طبیعی است و به شما نشان می‌دهد چگونه جواهرات پنهان در انبوه داده‌های نامرتب امروز را پیدا کنید.

💡 شما در این کتاب یاد خواهید گرفت:

🐍 آموزش فشرده پایتون

📐 یادگیری اصول پایه جبر خطی، آمار و احتمال و کاربرد آن‌ها در علوم داده

🧹 جمع‌آوری، کاوش، پاک‌سازی، تغییر و دستکاری داده‌ها

🤖 بررسی اصول اولیه یادگیری ماشین

📊 پیاده‌سازی مدل‌هایی مانند k-نزدیک‌ترین همسایه، Naïve Bayes، رگرسیون خطی و لجستیک، درخت تصمیم، شبکه‌های عصبی و خوشه‌بندی

📝 کاوش در سیستم‌های پیشنهادگر، پردازش زبان طبیعی، تحلیل شبکه، MapReduce و پایگاه‌های داده

📑 فهرست مطالب

فصل 1. مقدمه

فصل 2. یک دوره فشرده در پایتون

فصل 3. تجسم داده‌ها

فصل 4. جبر خطی

فصل 5. آمار

فصل 6. احتمال

فصل 7. فرضیه و استنباط

فصل 8. نزول گرادیان

فصل 9. گرفتن داده‌ها

فصل 10. کار با داده‌ها

فصل 11. یادگیری ماشین

فصل 12. نزدیک‌ترین همسایگان k

فصل 13. بیز ساده

فصل 14. رگرسیون خطی ساده

فصل 15. رگرسیون چندگانه

فصل 16. رگرسیون لجستیک

فصل 17. درخت‌های تصمیم

فصل 18. شبکه‌های عصبی

فصل 19. یادگیری عمیق

فصل 20. خوشه‌بندی

فصل 21. پردازش زبان طبیعی

فصل 22. تحلیل شبکه

فصل 23. سیستم‌های پیشنهاددهنده

فصل 24. پایگاه‌های داده و SQL

فصل 25. MapReduce

فصل 26. اخلاق داده‌ها

فصل 27. پیش برو و علم داده را انجام بده

👤 درباره نویسنده

Joel Grus مهندس پژوهشی در Allen Institute for Artificial Intelligence است.

او پیش‌تر به عنوان مهندس نرم‌افزار در گوگل و دانشمند داده در چند استارتاپ فعالیت کرده است.

او در سیاتل زندگی می‌کند و به طور منظم در نشست‌های علمی و اجتماعی علوم داده شرکت می‌کند.

To really learn data science, you should not only master the tools—data science libraries, frameworks, modules, and toolkits—but also understand the ideas and principles underlying them. Updated for Python 3.6, this second edition of Data Science from Scratch shows you how these tools and algorithms work by implementing them from scratch.

If you have an aptitude for mathematics and some programming skills, author Joel Grus will help you get comfortable with the math and statistics at the core of data science, and with the hacking skills you need to get started as a data scientist. Packed with new material on deep learning, statistics, and natural language processing, this updated book shows you how to find the gems in today’s messy glut of data.

• Get a crash course in Python
• Learn the basics of linear algebra, statistics, and probability—and how and when they’re used in data science
• Collect, explore, clean, munge, and manipulate data
• Dive into the fundamentals of machine learning
• Implement models such as k-nearest neighbors, Naïve Bayes, linear and logistic regression, decision trees, neural networks, and clustering
• Explore recommender systems, natural language processing, network analysis, MapReduce, and databases

Table of Contents

Chapter 1. Introduction

Chapter 2. A Crash Course in Python

Chapter 3. Visualizing Data

Chapter 4. Linear Algebra

Chapter 5. Statistics

Chapter 6. Probability

Chapter 7. Hypothesis and Inference

Chapter 8. Gradient Descent

Chapter 9. Getting Data

Chapter 10. Working with Data

Chapter 11. Machine Learning

Chapter 12. k-Nearest Neighbors

Chapter 13. Naive Bayes

Chapter 14. Simple Linear Regression

Chapter 15. Multiple Regression

Chapter 16. Logistic Regression

Chapter 17. Decision Trees

Chapter 18. Neural Networks

Chapter 19. Deep Learning

Chapter 20. Clustering

Chapter 21. Natural Language Processing

Chapter 22. Network Analysis

Chapter 23. Recommender Systems

Chapter 24. Databases and SQL

Chapter 25. MapReduce

Chapter 26. Data Ethics

Chapter 27. Go Forth and Do Data Science

About the Author

Joel Grus is a research engineer at the Allen Institute for Artificial Intelligence. Previously he worked as a software engineer at Google and a data scientist at several startups. He lives in Seattle, where he regularly attends data science happy hours.