Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)

Michael Brzustowicz 著 楊尊一 譯

  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-1
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-2
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-3
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-4
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-5
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-6
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-7
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-8
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-9
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-10
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-11
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-12
  • Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-13
Java 資料科學|科學與工程實務方法 (Data Science with Java: Practical Methods for Scientists and Engineers)-preview-1

買這商品的人也買了...

商品描述

終於出了一本以Java實作資料科學應用程式的書,且它還討論到機器學習所需的線性代數與統計。這本書是Michael Brzustowicz在這個領域中經驗的精華,我強力推薦”。

-Terence Parr

舊金山大學分析學院創辦人、ANTLR解析產生器創建者

 

資料科學因R與Python而蓬勃發展,但Java為今日的資料科學應用帶來堅實、方便與擴展性。Java軟體工程師可透過本書循序學習資料科學技能。作者Michael Brzustowicz在本書中闡述資料科學每個處理程序背後的數學理論以及如何以Java實作這些概念。

 

你會學到資料I/O、線性代數、統計、資料操作、學習與預測,以及Hadoop MapReduce在程序中扮演的角色。本書的程式範例可用於你的應用程式。

 

‧檢視最純形式資料的取得、清理與安排的方法

‧認識資料應有的矩陣結構

‧學習檢驗資料的基本概念

‧轉換資料成穩定可用的數值

‧認識監督式與非監督式學習演算法

‧安裝與執行MapReduce,運用適合資料科學演算法的自定元件

目錄大綱

前言

第一章 資料I/O

第二章 線性代數

第三章 統計

第四章 資料操作

第五章 學習與預測

第六章 Hadoop MapReduce

附錄A 資料集 

索引