Cuốn sách này giúp bạn học cách sử dụng: IPython và Jupyter: cung cấp môi trường tính toán cho các nhà khoa học dữ liệu sử dụng Python; NumPy: bao gồm ndarray để lưu trữ và thao tác hiệu quả các mảng dữ liệu dày đặc trong Python; Pandas: có DataFrame để lưu trữ và thao tác hiệu quả dữ liệu được gắn nhãn/cột trong Python; Matplotlib: bao gồm các khả năng cho một loạt trực quan hóa dữ liệu linh hoạt trong Python; Scikit-Learn: để triển khai Python hiệu quả và rõ ràng các thuật toán học máy quan trọng và lâu đời nhất.

Người đọc cho cuốn sách này sẽ là người hiểu biết về định lượng và có hiểu biết cơ bản về các khái niệm thống kê và lập trình R.Sinh viên phải có hiểu biết cơ bản về suy luận thống kê như có trong Suy luận thống kê cho khoa học dữ liệu.

Cẩm nang thiết kế khoa học dữ liệu là nguồn cung cấp thông tin chi tiết thực tế nêu bật những gì thực sự quan trọng trong việc phân tích dữ liệu và cung cấp hiểu biết trực quan về cách sử dụng các khái niệm cốt lõi này.

Cuốn sách này củng cố một cách toàn diện các nghiên cứu trong lĩnh vực quản lý pin đang nổi lên nhanh chóng. Trọng tâm chính là tổng quan về các công nghệ khoa học dữ liệu mới và mới nổi để quản lý toàn bộ tuổi thọ của pin Li-ion, được phân thành ba nhóm, đó là quản lý sản xuất pin, quản lý vận hành pin và quản lý tái sử dụng pin.

Cuốn sách này trình bày 15 bài viết được chọn lọc và chỉnh sửa cẩn thận, ban đầu được biên soạn được cung cấp khi bắt đầu hội thảo trong Kỷ yếu Truy cập Mở, đồng thời mang tên Khoa học dữ liệu, Máy tính lấy con người làm trung tâm và Công nghệ thông minh. Xã hội, công nghệ và khoa học đang trải qua quá trình chuyển đổi nhanh chóng và mang tính cách mạng theo hướng kết hợp Trí tuệ nhân tạo vào mọi hệ thống mà con người sử dụng trong cuộc sống hàng ngày để tạo Môi trường thông minh (SmE) thông qua Ambient Intelligence (AmI) trong các tình huống có tính kết nối và hợp tác cao.

This thoroughly revised guide demonstrates how the flexibility of the command line can help you become a more efficient and productive data scientist

This book explores the concepts and techniques of knowledge discovery and data mining. As amultidisciplinaryfield, datamining draws on work from areas including statistics, machine learning, pattern recognition, database technology, information retrieval, network science, knowledge-based systems, artificial intelligence, high-performance computing, and data visualization.