Think Stats

🧠 اگه بلد باشی برنامه‌نویسی کنی، یعنی ابزار تبدیل داده به دانش رو داری!

📘 این نسخه‌ی کاملاً بازنگری‌شده، مفاهیم آماری رو نه با فرمول‌های خشک ریاضی، بلکه به شکل محاسباتی و با برنامه‌های پایتونی آموزش میده.

💻 از دل مثال‌ها و تمرین‌های واقعی، گام‌به‌گام با کل فرایند «تحلیل اکتشافی داده‌ها» آشنا میشی — از تمیز کردن داده و ساخت آمار گرفته تا پیدا کردن الگوها و آزمون فرضیه‌ها.

👨‍💼 چه داده‌ساینتیست باشی، چه مهندس نرم‌افزار یا صرفاً عاشق داده، این کتاب کمکت میکنه با ابزارهایی مثل NumPy، SciPy و Pandas قلق کار رو بگیری.

📊 با مفاهیمی مثل توزیع داده، رابطه بین متغیرها، مصورسازی و کلی نکات کاربردی دیگه سر و کار خواهی داشت.

💡 ضمن این که همه‌ی فصل‌ها به شکل نوت‌بوک‌های Jupyter هستن تا هم مطالب رو بخونی، هم کد رو اجرا کنی، هم تمرین‌ها رو درجا انجام بدی.

✨ چیزهایی که یاد میگیری:

🔹 تحلیل توزیع داده و مصورسازی الگوها با کتاب‌خونه‌های پایتونی

🔹 بهبود پیش‌بینی‌ها و تحلیل‌ها با مدل‌های رگرسیون

🔹 بررسی موضوعات خاص مثل تحلیل سری‌های زمانی (Time Series) و تحلیل بقا (Survival Analysis)

🔹 ترکیب تکنیک‌های آماری برای اعتبارسنجی، استنباط و تحلیل پیشرفته‌تر

🔹 انتقال نتایج با مصورسازی‌های مؤثر و حرفه‌ای

🔹 رفع باگ‌ها و چالش‌های رایج تو تحلیل داده

🔹 افزایش تکرارپذیری و همکاری تو پروژه‌ها با نوت‌بوک‌های تعاملی

📚 فهرست فصل‌ها:

1. تحلیل اکتشافی داده‌ها
2. توزیع‌ها
3. توابع جرم احتمال (PMF)
4. توابع توزیع تجمعی (CDF)
5. مدل کردن توزیع‌ها
6. توابع چگالی احتمال (PDF)
7. روابط بین متغیرها
8. برآورد (Estimation)
9. آزمون فرضیه‌ها (Hypothesis Testing)
10. کمترین مربعات (Least Squares)
11. رگرسیون چندگانه (Multiple Regression)
12. تحلیل سری زمانی (Time Series Analysis)
13. تحلیل بقا (Survival Analysis)
14. روش‌های تحلیلی (Analytic Methods)

👨‍🏫 درباره‌ی نویسنده:

آلن داونی (Allen Downey) استاد علوم کامپیوتر در کالج مهندسی اولینه. قبلاً در دانشگاه‌های Wellesley، Colby و UC Berkeley تدریس کرده.

🎓 دکترای علوم کامپیوترش رو از UC Berkeley گرفته و مدرک کارشناسی و کارشناسی‌ارشدش هم از MIT داره.

If you know how to program, you have the skills to turn data into knowledge. This thoroughly revised edition presents statistical concepts computationally, rather than mathematically, using programs written in Python. Through practical examples and exercises based on real-world datasets, you’ll learn the entire process of exploratory data analysis—from wrangling data and generating statistics to identifying patterns and testing hypotheses.

Whether you’re a data scientist, software engineer, or data enthusiast, you’ll get up to speed on commonly used tools including NumPy, SciPy, and Pandas. You’ll explore distributions, relationships between variables, visualization, and many other concepts. And all chapters are available as Jupyter notebooks, so you can read the text, run the code, and work on exercises all in one place.

• Analyze data distributions and visualize patterns using Python libraries
• Improve predictions and insights with regression models
• Dive into specialized topics like time series analysis and survival analysis
• Integrate statistical techniques and tools for validation, inference, and more
• Communicate findings with effective data visualization
• Troubleshoot common data analysis challenges
• Boost reproducibility and collaboration in data analysis projects with interactive notebooks

Table of Contents

Chapter 1. Exploratory Data Analysis

Chapter 2. Distributions

Chapter 3. Probability Mass Functions

Chapter 4. Cumulative Distribution Functions

Chapter 5. Modeling Distributions

Chapter 6. Probability Density Functions

Chapter 7. Relationships Between Variables

Chapter 8. Estimation

Chapter 9. Hypothesis Testing

Chapter 10. Least Squares

Chapter 11. Multiple Regression

Chapter 12. Time Series Analysis

Chapter 13. Survival Analysis

Chapter 14. Analytic Methods

About the Author

Allen Downey is an Associate Professor of Computer Science at the Olin College of Engineering. He has taught computer science at Wellesley College, Colby College and U.C. Berkeley. He has a Ph.D. in Computer Science from U.C. Berkeley and Master’s and Bachelor’s degrees from MIT.