Avis des lecteurs
Résumé:Le livre est bien accueilli pour ses aperçus théoriques et ses exemples de code pratiques dans le domaine de la science des données utilisant Java. Cependant, il est critiqué pour le choix de Java comme langage pour la science des données, car beaucoup le trouvent lourd et dépourvu d'outils par rapport à d'autres langages.
Avantages:Fournit une bonne compréhension des concepts de la science des données avec des exemples de code pratiques ; cadre théorique bien structuré.
Inconvénients:⬤ Java n'est pas considéré comme un langage idéal pour la science des données en raison de son manque d'élégance et de la difficulté à lire le code
⬤ outils limités pour la science des données à grande échelle par rapport à d'autres langages
⬤ absence d'une table des matières dans l'aperçu.
(basé sur 3 avis de lecteurs)
Titre original :
Data Science with Java: Practical Methods for Scientists and Engineers
Contenu du livre :
La science des données est en plein essor grâce à R et Python, mais Java apporte la robustesse, la commodité et la capacité de mise à l'échelle indispensables aux applications de science des données d'aujourd'hui. Avec ce livre pratique, les ingénieurs logiciels Java qui cherchent à acquérir des compétences en science des données feront un voyage logique à travers le pipeline de la science des données. L'auteur Michael Brzustowicz explique la théorie mathématique de base qui sous-tend chaque étape du processus de science des données, ainsi que la manière d'appliquer ces concepts avec Java.
Vous découvrirez les rôles essentiels que jouent l'OI des données, l'algèbre linéaire, les statistiques, les opérations sur les données, l'apprentissage et la prédiction, ainsi que Hadoop MapReduce dans le processus. Tout au long de ce livre, vous trouverez des exemples de code que vous pourrez utiliser dans vos applications.
⬤ Les méthodes d'obtention, de nettoyage et d'organisation des données dans leur forme la plus pure sont examinées.
⬤ Comprendre la structure matricielle que doivent prendre vos données.
⬤ Apprendre les concepts de base pour tester l'origine et la validité des données.
⬤ Transformer vos données en valeurs numériques stables et utilisables.
⬤ Comprendre les algorithmes d'apprentissage supervisé et non supervisé, et les méthodes d'évaluation de leur succès.
⬤ Utiliser MapReduce, en utilisant des composants personnalisés adaptés aux algorithmes de la science des données.
Autres informations sur le livre :
| ISBN : | 9781491934111 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2017 |
| Nombre de pages : | 236 |
Achat:
Actuellement disponible, en stock.
