Δίκτυα Υπολογιστών: Προσέγγιση από πάνω προς τα Κάτω

Συγγραφέας/εις: Forouzan Behrouz, Μοsharraf Firouz

~~€58.00~~ €52.20

Στο βιβλίο αυτό παρουσιάζεται ένα πολύπλοκο θέμα με κατανοητό τρόπο, ο οποίος κάνει την εκμάθηση της ύλης όχι απλώς εύκολη, αλλά και διασκεδαστική. Η πρώτη παρουσίαση του επιπέδου εφαρμογής προκαλεί αμέσως την προσοχή των σπουδαστών, επιτρέποντάς τους να διαπιστώσουν πόσο εύκολα λειτουργούν οι συσκευές των δικτύων. Αυτή η παρουσίαση από πάνω προς τα κάτω συνδυάζεται με μια ελκυστική διάταξη της ύλης και μια πλούσια ομάδα παιδαγωγικών χαρακτηριστικών για να προσφέρει πολύπλευρη κατανόηση του θέματος. Οι σπουδαστές εισάγονται στον προγραμματισμό των δικτύων στις γλώσσες C και Java και κάθε κεφάλαιο περιλαμβάνει αναρίθμητες εικόνες, παραδείγματα και ασκήσεις, όπως επίσης και έναν κατάλογο κρίσιμων όρων και συμβουλών για περαιτέρω μελέτη. Οι συγγραφείς του βιβλίου προσπάθησαν να παρουσιάσουν την πλέον σύγχρονη και διαθέσιμη ύλη και ενθαρρύνουν τους σπουδαστές να δουν την ύλη στο πλαίσιο του πραγματικού κόσμου, κάτι το οποίο παρέχει κίνητρα και είναι πρακτικό, από την άποψη ότι αρχίζουν να βλέπουν τις σπουδές τους στο πλαίσιο του επαγγέλματος το οποίο κάποια μέρα θα ασκήσουν. Το βιβλίο διαθέτει υποστηρικτικό υλικό το οποίο περιλαμβάνει μια ομάδα αλληλεπιδραστικών αυτο-αξιολογούμενων ερωτημάτων για κάθε κεφάλαιο, εργαστηριακές ασκήσεις, παρουσιάσεις PowerPoint, πολλές μικρές εφαρμογές Java για κάθε κεφάλαιο, ασκήσεις προγραμματισμού και απαντήσεις των ερωτήσεων και των ασκήσεων.

ΔΙΑΒΑΣΕ ΕΝΑ ΑΠΟΣΠΑΣΜΑ

Προσθήκη στα αγαπημένα

Τίτλος Βιβλίου	Δίκτυα Υπολογιστών: Προσέγγιση από πάνω προς τα Κάτω
Συγγραφέας/εις	Forouzan Behrouz, Μοsharraf Firouz
Κατηγορία	Επιστήμη Υπολογιστών
ISBN	9789604910182
Ημερομηνία Έκδοσης	Jan 26, 2012
Λεπτομέρειες	Δέσιμο: Σκληρό Εξώφυλλο Έκδοση: 1η Μέγεθος: 17 x 24 εκ. Σελίδες: 960 Κωδικός Ευδόξου: 12401329

Προτείνουμε επίσης

-10%

{"id":14738614354264,"title":"Σχεδίαση Συστημάτων Μηχανικής Μάθησης","handle":"9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis","description":"\u003cp\u003e\u003cstrong\u003eΜια Επαναληπτική Προσέγγιση για την Ανάπτυξη Έτοιμων για Παραγωγική Λειτουργία Εφαρμογών\u003c\/strong\u003e\u003cbr\u003e\u003cbr\u003eΤα συστήματα μηχανικής μάθησης είναι και πολύπλοκα και μοναδικά. Είναι πολύπλοκα διότι αποτελούνται από πολλές διαφορετικές συνιστώσες και στην ανάπτυξή τους εμπλέκονται πολλά διαφορετικά μέρη. Είναι μοναδικά διότι εξαρτώνται από τα δεδομένα, και τα δεδομένα διαφέρουν σημαντικά από περίπτωση χρήσης σε περίπτωση χρήσης. Στο παρόν βιβλίο θα μάθετε μια ολιστική προσέγγιση για να σχεδιάζετε μηχανομαθησιακά συστήματα που να είναι αξιόπιστα, κλιμακώσιμα, συντηρήσιμα και να μπορούν να προσαρμόζονται σε μεταβαλλόμενα περιβάλλοντα και επιχειρηματικές απαιτήσεις.\u003cbr\u003eΗ συγγραφέας Chip Huyen, συνιδρύτρια της Claypot AI, εξετάζει κάθε σχεδιαστική απόφαση –όπως πώς πρέπει να γίνεται η επεξεργασία και η δημιουργία των δεδομένων εκπαίδευσης, ποια χαρακτηριστικά πρέπει να χρησιμοποιούνται, πόσο συχνά πρέπει να επανεκπαιδεύονται τα μοντέλα και ποιοι δείκτες πρέπει να παρακολουθούνται– με γνώμονα το πώς μπορεί να βοηθήσει το σύστημά σας ως σύνολο να πετύχει τους στόχους του. Το επαναληπτικό μεθοδολογικό πλαίσιο που παρουσιάζεται στο παρόν βιβλίο στηρίζεται σε πραγματικές μελέτες περίπτωσης, οι οποίες συνοδεύονται από πληθώρα αναφορών.\u003cbr\u003e\u003cbr\u003eΤο βιβλίο θα σας βοηθήσει να αντιμετωπίσετε με επιτυχία ανάγκες όπως:\u003cbr\u003e• Την κατασκευή δεδομένων και την επιλογή των κατάλληλων μετρικών για την επίλυση ενός επιχειρηματικού προβλήματος\u003cbr\u003e• Την αυτοματοποίηση της διαδικασίας συνεχούς ανάπτυξης, αξιολόγησης, παραγωγικής λειτουργίας και ενημέρωσης των μοντέλων\u003cbr\u003e• Την ανάπτυξη ενός συστήματος παρακολούθησης με στόχο τη γρήγορη ανίχνευση και αντιμετώπιση προβλημάτων που ενδέχεται να αντιμετωπίσουν τα μοντέλα σας κατά την παραγωγή τους\u003cbr\u003e• Τη σχεδίαση μιας μηχανομαθησιακής πλατφόρμας που να μπορεί να εξυπηρετεί πολλές διαφορετικές περιπτώσεις χρήσης\u003cbr\u003e• Την ανάπτυξη υπεύθυνων μηχανομαθησιακών συστημάτων\u003cbr\u003e\u003cbr\u003e\u003ci\u003e«Πρόκειται απλώς για το καλύτερο βιβλίο που μπορείτε να διαβάσετε για το πώς να κατασκευάσετε, να θέσετε σε παραγωγική λειτουργία και να κλιμακώσετε μηχανομαθησιακά μοντέλα σε μια εταιρεία ώστε να έχουν τον μεγαλύτερο δυνατό αντίκτυπο».\u003c\/i\u003e\u003cbr\u003e\u003cb\u003e- Josh Wills\u003c\/b\u003e\u003cbr\u003eΜηχανικός λογισμικού στη WeaveGrid και πρώην διευθυντής μηχανικής δεδομένων στη Slack\u003cbr\u003e\u003cbr\u003e\u003ci\u003e«Σε ένα ακμάζον αλλά χαοτικό οικοσύστημα, η συγκεκριμένη εμπεριστατωμένη από άκρο σε άκρο θεώρηση της μηχανικής μάθησης λειτουργεί και ως χάρτης και ως πυξίδα: είναι ένα βιβλίο που θα πρέπει να διαβάσουν οι επαγγελματίες εντός και εκτός του χώρου των μεγάλων εταιρειών τεχνολογίας».\u003c\/i\u003e\u003cbr\u003e\u003cb\u003e- Jacopo Tagliabue\u003c\/b\u003e\u003cbr\u003eΔιευθυντής τεχνητής νοημοσύνης στην Coveo\u003cbr\u003e\u003cbr\u003eΗ Chip Huyen είναι συνιδρύτρια της Claypot AI, μιας πλατφόρμας μηχανικής μάθησης πραγματικού χρόνου. Μέσω της εργασίας της στις NVIDIA, Netflix και Snorkel AI έχει βοηθήσει μερικές από τις μεγαλύτερες εταιρείες παγκοσμίως να αναπτύξουν και να θέσουν σε παραγωγική λειτουργία μηχανομαθησιακά συστήματα. Η Chip βάσισε το παρόν βιβλίο στις διαλέξεις της για το CS 329S: Σχεδίαση συστημάτων μηχανικής μάθησης, ένα μάθημα που διδάσκει στο Πανεπιστήμιο Stanford.\u003c\/p\u003e","published_at":"2024-11-26T12:19:19+02:00","created_at":"2024-11-26T12:19:19+02:00","vendor":"Chip Huyen","type":"Επιστήμη Υπολογιστών","tags":[],"price":2970,"price_min":2970,"price_max":2970,"available":true,"price_varies":false,"compare_at_price":3300,"compare_at_price_min":3300,"compare_at_price_max":3300,"compare_at_price_varies":false,"variants":[{"id":53674165010776,"title":"Default Title","option1":"Default Title","option2":null,"option3":null,"sku":"2000600160","requires_shipping":true,"taxable":false,"featured_image":null,"available":true,"name":"Σχεδίαση Συστημάτων Μηχανικής Μάθησης","public_title":null,"options":["Default Title"],"price":2970,"weight":720,"compare_at_price":3300,"inventory_management":null,"barcode":"9789604911899","requires_selling_plan":false,"selling_plan_allocations":[]}],"images":["\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis.png?v=1732616265","\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis-back.png?v=1732616277"],"featured_image":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis.png?v=1732616265","options":["Title"],"media":[{"alt":null,"id":63151641166168,"position":1,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis.png?v=1732616265"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis.png?v=1732616265","width":1000},{"alt":null,"id":63151642247512,"position":2,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis-back.png?v=1732616277"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911899-chip-huyen-schediasi-systimaton-michanikis-mathisis-back.png?v=1732616277","width":1000}],"requires_selling_plan":false,"selling_plan_groups":[],"content":"\u003cp\u003e\u003cstrong\u003eΜια Επαναληπτική Προσέγγιση για την Ανάπτυξη Έτοιμων για Παραγωγική Λειτουργία Εφαρμογών\u003c\/strong\u003e\u003cbr\u003e\u003cbr\u003eΤα συστήματα μηχανικής μάθησης είναι και πολύπλοκα και μοναδικά. Είναι πολύπλοκα διότι αποτελούνται από πολλές διαφορετικές συνιστώσες και στην ανάπτυξή τους εμπλέκονται πολλά διαφορετικά μέρη. Είναι μοναδικά διότι εξαρτώνται από τα δεδομένα, και τα δεδομένα διαφέρουν σημαντικά από περίπτωση χρήσης σε περίπτωση χρήσης. Στο παρόν βιβλίο θα μάθετε μια ολιστική προσέγγιση για να σχεδιάζετε μηχανομαθησιακά συστήματα που να είναι αξιόπιστα, κλιμακώσιμα, συντηρήσιμα και να μπορούν να προσαρμόζονται σε μεταβαλλόμενα περιβάλλοντα και επιχειρηματικές απαιτήσεις.\u003cbr\u003eΗ συγγραφέας Chip Huyen, συνιδρύτρια της Claypot AI, εξετάζει κάθε σχεδιαστική απόφαση –όπως πώς πρέπει να γίνεται η επεξεργασία και η δημιουργία των δεδομένων εκπαίδευσης, ποια χαρακτηριστικά πρέπει να χρησιμοποιούνται, πόσο συχνά πρέπει να επανεκπαιδεύονται τα μοντέλα και ποιοι δείκτες πρέπει να παρακολουθούνται– με γνώμονα το πώς μπορεί να βοηθήσει το σύστημά σας ως σύνολο να πετύχει τους στόχους του. Το επαναληπτικό μεθοδολογικό πλαίσιο που παρουσιάζεται στο παρόν βιβλίο στηρίζεται σε πραγματικές μελέτες περίπτωσης, οι οποίες συνοδεύονται από πληθώρα αναφορών.\u003cbr\u003e\u003cbr\u003eΤο βιβλίο θα σας βοηθήσει να αντιμετωπίσετε με επιτυχία ανάγκες όπως:\u003cbr\u003e• Την κατασκευή δεδομένων και την επιλογή των κατάλληλων μετρικών για την επίλυση ενός επιχειρηματικού προβλήματος\u003cbr\u003e• Την αυτοματοποίηση της διαδικασίας συνεχούς ανάπτυξης, αξιολόγησης, παραγωγικής λειτουργίας και ενημέρωσης των μοντέλων\u003cbr\u003e• Την ανάπτυξη ενός συστήματος παρακολούθησης με στόχο τη γρήγορη ανίχνευση και αντιμετώπιση προβλημάτων που ενδέχεται να αντιμετωπίσουν τα μοντέλα σας κατά την παραγωγή τους\u003cbr\u003e• Τη σχεδίαση μιας μηχανομαθησιακής πλατφόρμας που να μπορεί να εξυπηρετεί πολλές διαφορετικές περιπτώσεις χρήσης\u003cbr\u003e• Την ανάπτυξη υπεύθυνων μηχανομαθησιακών συστημάτων\u003cbr\u003e\u003cbr\u003e\u003ci\u003e«Πρόκειται απλώς για το καλύτερο βιβλίο που μπορείτε να διαβάσετε για το πώς να κατασκευάσετε, να θέσετε σε παραγωγική λειτουργία και να κλιμακώσετε μηχανομαθησιακά μοντέλα σε μια εταιρεία ώστε να έχουν τον μεγαλύτερο δυνατό αντίκτυπο».\u003c\/i\u003e\u003cbr\u003e\u003cb\u003e- Josh Wills\u003c\/b\u003e\u003cbr\u003eΜηχανικός λογισμικού στη WeaveGrid και πρώην διευθυντής μηχανικής δεδομένων στη Slack\u003cbr\u003e\u003cbr\u003e\u003ci\u003e«Σε ένα ακμάζον αλλά χαοτικό οικοσύστημα, η συγκεκριμένη εμπεριστατωμένη από άκρο σε άκρο θεώρηση της μηχανικής μάθησης λειτουργεί και ως χάρτης και ως πυξίδα: είναι ένα βιβλίο που θα πρέπει να διαβάσουν οι επαγγελματίες εντός και εκτός του χώρου των μεγάλων εταιρειών τεχνολογίας».\u003c\/i\u003e\u003cbr\u003e\u003cb\u003e- Jacopo Tagliabue\u003c\/b\u003e\u003cbr\u003eΔιευθυντής τεχνητής νοημοσύνης στην Coveo\u003cbr\u003e\u003cbr\u003eΗ Chip Huyen είναι συνιδρύτρια της Claypot AI, μιας πλατφόρμας μηχανικής μάθησης πραγματικού χρόνου. Μέσω της εργασίας της στις NVIDIA, Netflix και Snorkel AI έχει βοηθήσει μερικές από τις μεγαλύτερες εταιρείες παγκοσμίως να αναπτύξουν και να θέσουν σε παραγωγική λειτουργία μηχανομαθησιακά συστήματα. Η Chip βάσισε το παρόν βιβλίο στις διαλέξεις της για το CS 329S: Σχεδίαση συστημάτων μηχανικής μάθησης, ένα μάθημα που διδάσκει στο Πανεπιστήμιο Stanford.\u003c\/p\u003e"}

Σχεδίαση Συστημάτων Μηχανικής Μάθησης

€33.00 €29.70

Μια Επαναληπτική Προσέγγιση για την Ανάπτυξη Έτοιμων για Παραγωγική Λειτουργία ΕφαρμογώνΤα συστήματα μηχανικής μάθησης είναι και πολύπλοκα και μοναδικά. Είναι...

-10%

{"id":10091487101272,"title":"Ανάλυση Δεδομένων με Python: Διαχείριση Δεδομένων με pandas, NumPy και Jupyter","handle":"9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter","description":"\u003cp\u003eΑποκτήστε το ολοκληρωμένο εγχειρίδιο για το χειρισμό, την επεξεργασία, τον καθαρισμό και τον τεμαχισμό συνόλων δεδομένων στην Python. Ενημερωμένη για Python 3.10 και pandas 1.4, η τρίτη έκδοση αυτού του πρακτικού οδηγού είναι γεμάτη με πρακτικές μελέτες περιπτώσεων που σας δείχνουν πώς να επιλύσετε αποτελεσματικά ένα ευρύ σύνολο προβλημάτων ανάλυσης δεδομένων. Θα μάθετε τις πιο πρόσφατες εκδόσεις των pandas, NumPy και Jupyter στην πράξη.\u003cbr\u003eΓραμμένο από τον Wes McKinney, τον δημιουργό του έργου Python pandas, αυτό το βιβλίο είναι μια πρακτική, σύγχρονη εισαγωγή στα εργαλεία επιστήμης δεδομένων στην Python. Είναι ιδανικό για αναλυτές που είναι νέοι στην Python και για προγραμματιστές Python που είναι νέοι στην επιστήμη δεδομένων και στους επιστημονικούς υπολογισμούς. Αρχεία δεδομένων και σχετικό υλικό είναι διαθέσιμα στο GitHub.\u003cbr\u003e• Χρησιμοποιήστε το σημειωματάριο Jupyter και το κέλυφος IPython για διερευνητικούς υπολογισμούς\u003cbr\u003e• Μάθετε βασικές και προηγμένες δυνατότητες στη NumPy\u003cbr\u003e• Ξεκινήστε με εργαλεία ανάλυσης δεδομένων στη βιβλιοθήκη pandas\u003cbr\u003e• Χρησιμοποιήστε ευέλικτα εργαλεία για τη φόρτωση, τον καθαρισμό, τον μετασχηματισμό, τη συγχώνευση και την αναμόρφωση δεδομένων\u003cbr\u003e• Δημιουργήστε οπτικοποιημένη πληροφορία με το matplotlib\u003cbr\u003e• Εφαρμόστε τη δυνατότητα pandas groupBy για να τεμαχίσετε, να ομαδοποιήσετε και να συνοψίσετε σύνολα δεδομένων\u003cbr\u003e• Αναλύστε και χειριστείτε κανονικά και ακανόνιστα δεδομένα χρονοσειρών\u003cbr\u003e• Μάθετε πώς να επιλύετε προβλήματα ανάλυσης δεδομένων πραγματικού κόσμου με ενδελεχή, λεπτομερή παραδείγματα\u003cbr\u003e\u003cbr\u003e\u003cb\u003e\u003ci\u003e«Με αυτή τη νέα έκδοση, ο Wes ενημέρωσε το βιβλίο του για να διασφαλίσει ότι παραμένει ο βασικός πόρος για όλα όσα σχετίζονται με την ανάλυση δεδομένων με Python και pandas. Αυτό το βιβλίο συστήνεται από μόνο του».\u003c\/i\u003e\u003c\/b\u003e\u003cbr\u003e-Paul Barry\u003cbr\u003eΛέκτορας και συγγραφέας του \u003ci\u003eO’Reilly’s Head First Python\u003c\/i\u003e\u003cbr\u003e\u003cbr\u003eΟ Wes McKinney, συνιδρυτής και επικεφαλής τεχνολογίας της Voltron Data, είναι ενεργό μέλος της κοινότητας δεδομένων Python και υποστηρικτής της χρήσης Python σε εφαρμογές ανάλυσης δεδομένων, οικονομικών και στατιστικών υπολογιστών. Απόφοιτος του MIT, είναι επίσης μέλος των επιτροπών διαχείρισης έργων για τα έργα Apache Arrow και Apache Parquet του Apache Software Foundation.\u003c\/p\u003e","published_at":"2024-10-25T13:48:00+03:00","created_at":"2024-10-25T13:33:11+03:00","vendor":"Wes McKinney","type":"Επιστήμη Υπολογιστών","tags":[],"price":3420,"price_min":3420,"price_max":3420,"available":true,"price_varies":false,"compare_at_price":3800,"compare_at_price_min":3800,"compare_at_price_max":3800,"compare_at_price_varies":false,"variants":[{"id":50196066599256,"title":"Default Title","option1":"Default Title","option2":null,"option3":null,"sku":"2000600156","requires_shipping":true,"taxable":false,"featured_image":null,"available":true,"name":"Ανάλυση Δεδομένων με Python: Διαχείριση Δεδομένων με pandas, NumPy και Jupyter","public_title":null,"options":["Default Title"],"price":3420,"weight":1030,"compare_at_price":3800,"inventory_management":null,"barcode":"9789604911882","requires_selling_plan":false,"selling_plan_allocations":[]}],"images":["\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter.png?v=1729851982","\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter-backcover.png?v=1729852106"],"featured_image":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter.png?v=1729851982","options":["Title"],"media":[{"alt":null,"id":50526839832920,"position":1,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter.png?v=1729851982"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter.png?v=1729851982","width":1000},{"alt":null,"id":50526853955928,"position":2,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter-backcover.png?v=1729852106"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/9789604911882-wes-mckinney-diacheirisi-dedomenon-me-pandas-numpy-kai-jupyter-backcover.png?v=1729852106","width":1000}],"requires_selling_plan":false,"selling_plan_groups":[],"content":"\u003cp\u003eΑποκτήστε το ολοκληρωμένο εγχειρίδιο για το χειρισμό, την επεξεργασία, τον καθαρισμό και τον τεμαχισμό συνόλων δεδομένων στην Python. Ενημερωμένη για Python 3.10 και pandas 1.4, η τρίτη έκδοση αυτού του πρακτικού οδηγού είναι γεμάτη με πρακτικές μελέτες περιπτώσεων που σας δείχνουν πώς να επιλύσετε αποτελεσματικά ένα ευρύ σύνολο προβλημάτων ανάλυσης δεδομένων. Θα μάθετε τις πιο πρόσφατες εκδόσεις των pandas, NumPy και Jupyter στην πράξη.\u003cbr\u003eΓραμμένο από τον Wes McKinney, τον δημιουργό του έργου Python pandas, αυτό το βιβλίο είναι μια πρακτική, σύγχρονη εισαγωγή στα εργαλεία επιστήμης δεδομένων στην Python. Είναι ιδανικό για αναλυτές που είναι νέοι στην Python και για προγραμματιστές Python που είναι νέοι στην επιστήμη δεδομένων και στους επιστημονικούς υπολογισμούς. Αρχεία δεδομένων και σχετικό υλικό είναι διαθέσιμα στο GitHub.\u003cbr\u003e• Χρησιμοποιήστε το σημειωματάριο Jupyter και το κέλυφος IPython για διερευνητικούς υπολογισμούς\u003cbr\u003e• Μάθετε βασικές και προηγμένες δυνατότητες στη NumPy\u003cbr\u003e• Ξεκινήστε με εργαλεία ανάλυσης δεδομένων στη βιβλιοθήκη pandas\u003cbr\u003e• Χρησιμοποιήστε ευέλικτα εργαλεία για τη φόρτωση, τον καθαρισμό, τον μετασχηματισμό, τη συγχώνευση και την αναμόρφωση δεδομένων\u003cbr\u003e• Δημιουργήστε οπτικοποιημένη πληροφορία με το matplotlib\u003cbr\u003e• Εφαρμόστε τη δυνατότητα pandas groupBy για να τεμαχίσετε, να ομαδοποιήσετε και να συνοψίσετε σύνολα δεδομένων\u003cbr\u003e• Αναλύστε και χειριστείτε κανονικά και ακανόνιστα δεδομένα χρονοσειρών\u003cbr\u003e• Μάθετε πώς να επιλύετε προβλήματα ανάλυσης δεδομένων πραγματικού κόσμου με ενδελεχή, λεπτομερή παραδείγματα\u003cbr\u003e\u003cbr\u003e\u003cb\u003e\u003ci\u003e«Με αυτή τη νέα έκδοση, ο Wes ενημέρωσε το βιβλίο του για να διασφαλίσει ότι παραμένει ο βασικός πόρος για όλα όσα σχετίζονται με την ανάλυση δεδομένων με Python και pandas. Αυτό το βιβλίο συστήνεται από μόνο του».\u003c\/i\u003e\u003c\/b\u003e\u003cbr\u003e-Paul Barry\u003cbr\u003eΛέκτορας και συγγραφέας του \u003ci\u003eO’Reilly’s Head First Python\u003c\/i\u003e\u003cbr\u003e\u003cbr\u003eΟ Wes McKinney, συνιδρυτής και επικεφαλής τεχνολογίας της Voltron Data, είναι ενεργό μέλος της κοινότητας δεδομένων Python και υποστηρικτής της χρήσης Python σε εφαρμογές ανάλυσης δεδομένων, οικονομικών και στατιστικών υπολογιστών. Απόφοιτος του MIT, είναι επίσης μέλος των επιτροπών διαχείρισης έργων για τα έργα Apache Arrow και Apache Parquet του Apache Software Foundation.\u003c\/p\u003e"}

Ανάλυση Δεδομένων με Python: Διαχείριση Δεδομένων με pandas, NumPy και Jupyter

€38.00 €34.20

Αποκτήστε το ολοκληρωμένο εγχειρίδιο για το χειρισμό, την επεξεργασία, τον καθαρισμό και τον τεμαχισμό συνόλων δεδομένων στην Python. Ενημερωμένη για...

-10%

{"id":8845800964440,"title":"Πώς να Πείσετε με Δεδομένα","handle":"9789604911790-miro-kazakoff-pos-na-peisete-me-dedomena","description":"Το \u003cem data-mce-fragment=\"1\"\u003eΠώς να πείσετε με δεδομένα\u003c\/em\u003e απευθύνεται σε όσους καλούνται να εξηγήσουν αποτελέσματα αναλύσεων σε άλλους. Στο βιβλίο παρουσιάζεται με συνθετικό τρόπο ένα ευρύ φάσμα τεχνικών που πρέπει να γνωρίζουν οι σημερινοί επαγγελματίες δεδομένων και παρέχεται μια πλήρης εργαλειοθήκη για τη δημιουργία πετυχημένων επιχειρηματικών παρουσιάσεων. Οι αναγνώστες θα μάθουν πώς να απλοποιούν τις παρουσιάσεις τους για να ενισχύουν το μήνυμα που θέλουν να μεταφέρουν, πώς να παρουσιάζουν αναλύσεις δεδομένων, πώς να προετοιμάζονται για την αντίσταση του ακροατηρίου, και πολλά ακόμη. Στο βιβλίο συνδυάζονται η πρακτική και η ακαδημαϊκή οπτική με πραγματικά παραδείγματα από διάφορους επιχειρηματικούς κλάδους, οργανισμούς και επιστημονικά πεδία. Είναι κατάλληλο για ένα ευρύ φάσμα αναγνωστών –από προπτυχιακούς φοιτητές έως επαγγελματίες με μέτρια εμπειρία και διοικητικά στελέχη– και έχει χρησιμοποιηθεί με επιτυχία, μεταξύ άλλων, σε πανεπιστημιακά μαθήματα και σε εκπαιδευτικά σεμινάρια επιχειρήσεων. \u003cbr\u003e\u003cbr\u003eΟ \u003cstrong data-mce-fragment=\"1\"\u003eMiro\u003c\/strong\u003e\u003cstrong data-mce-fragment=\"1\"\u003e Kazakoff\u003c\/strong\u003e είναι επίκουρος καθηγητής Διοικητικής Επικοινωνίας στο MIT Sloan School of Management \u003cbr\u003e\u003cbr\u003e«\u003cem data-mce-fragment=\"1\"\u003eΗ μετατροπή δεδομένων σε διαγράμματα και γραφήματα —και η σαφής διατύπωση των συμπερασμάτων που προκύπτουν— είναι μια μορφή τέχνης. Απαιτεί όχι μόνο αναλυτικές ικανότητες, αλλά και ικανότητες δραματοποίησης κατά την παρουσίαση των συμπερασμάτων. Ο \u003c\/em\u003e\u003cem data-mce-fragment=\"1\"\u003eMiro\u003c\/em\u003e\u003cem data-mce-fragment=\"1\"\u003e Kazakoff\u003c\/em\u003e\u003cem data-mce-fragment=\"1\"\u003e συνέταξε έναν εξαιρετικό οδηγό που θα σας βοηθήσει να αποφύγετε βαρετές για το ακροατήριο παρουσιάσεις\u003c\/em\u003e». \u003cbr\u003e\u003cbr\u003e\u003cstrong data-mce-fragment=\"1\"\u003eBarbara Minto\u003c\/strong\u003e, συγγραφέας του \u003cem data-mce-fragment=\"1\"\u003eThe Minto Pyramid Principle\u003c\/em\u003e \u003cbr\u003e\u003cbr\u003e«Αυτό το βιβλίο είναι δύο βιβλία σε ένα! Ο Kazakoff συμπεριέλαβε όλες τις βέλτιστες πρακτικές οπτικοποίησης δεδομένων και τις συνδύασε με τις βέλτιστες πρακτικές επιχειρησιακής επικοινωνίας. το αποτέλεσμα είναι ένα πραγματικά επίκαιρο, χρήσιμο και πολύτιμο βιβλίο για όποιον θέλει να μεγιστοποιήσει τον αντίκτυπο των δεδομένων του». \u003cbr\u003e\u003cbr\u003e\u003cstrong data-mce-fragment=\"1\"\u003eKerrie Aman Carfagno\u003c\/strong\u003e, αναπληρώτρια καθηγήτρια Διοικητικής Επικοινωνίας, McIntire School of Commerce\/Darden School of Business, πρόγραμμα Master of Science in Data Analytics, University of Virginia","published_at":"2023-11-03T19:25:18+02:00","created_at":"2023-11-03T19:25:18+02:00","vendor":"Miro Kazakoff","type":"Επιστήμη Υπολογιστών","tags":[],"price":3150,"price_min":3150,"price_max":3150,"available":true,"price_varies":false,"compare_at_price":3500,"compare_at_price_min":3500,"compare_at_price_max":3500,"compare_at_price_varies":false,"variants":[{"id":47414501376344,"title":"Default Title","option1":"Default Title","option2":null,"option3":null,"sku":"2000600091","requires_shipping":true,"taxable":false,"featured_image":null,"available":true,"name":"Πώς να Πείσετε με Δεδομένα","public_title":null,"options":["Default Title"],"price":3150,"weight":455,"compare_at_price":3500,"inventory_management":null,"barcode":"9789604911790","requires_selling_plan":false,"selling_plan_allocations":[]}],"images":["\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena.png?v=1699032320","\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena-backcover.png?v=1699032321"],"featured_image":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena.png?v=1699032320","options":["Title"],"media":[{"alt":null,"id":45060651450712,"position":1,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena.png?v=1699032320"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena.png?v=1699032320","width":1000},{"alt":null,"id":45060651483480,"position":2,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena-backcover.png?v=1699032321"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/files\/978-960-491-179-0-miro-kazakoff-pos-na-peisete-me-dedomena-backcover.png?v=1699032321","width":1000}],"requires_selling_plan":false,"selling_plan_groups":[],"content":"Το \u003cem data-mce-fragment=\"1\"\u003eΠώς να πείσετε με δεδομένα\u003c\/em\u003e απευθύνεται σε όσους καλούνται να εξηγήσουν αποτελέσματα αναλύσεων σε άλλους. Στο βιβλίο παρουσιάζεται με συνθετικό τρόπο ένα ευρύ φάσμα τεχνικών που πρέπει να γνωρίζουν οι σημερινοί επαγγελματίες δεδομένων και παρέχεται μια πλήρης εργαλειοθήκη για τη δημιουργία πετυχημένων επιχειρηματικών παρουσιάσεων. Οι αναγνώστες θα μάθουν πώς να απλοποιούν τις παρουσιάσεις τους για να ενισχύουν το μήνυμα που θέλουν να μεταφέρουν, πώς να παρουσιάζουν αναλύσεις δεδομένων, πώς να προετοιμάζονται για την αντίσταση του ακροατηρίου, και πολλά ακόμη. Στο βιβλίο συνδυάζονται η πρακτική και η ακαδημαϊκή οπτική με πραγματικά παραδείγματα από διάφορους επιχειρηματικούς κλάδους, οργανισμούς και επιστημονικά πεδία. Είναι κατάλληλο για ένα ευρύ φάσμα αναγνωστών –από προπτυχιακούς φοιτητές έως επαγγελματίες με μέτρια εμπειρία και διοικητικά στελέχη– και έχει χρησιμοποιηθεί με επιτυχία, μεταξύ άλλων, σε πανεπιστημιακά μαθήματα και σε εκπαιδευτικά σεμινάρια επιχειρήσεων. \u003cbr\u003e\u003cbr\u003eΟ \u003cstrong data-mce-fragment=\"1\"\u003eMiro\u003c\/strong\u003e\u003cstrong data-mce-fragment=\"1\"\u003e Kazakoff\u003c\/strong\u003e είναι επίκουρος καθηγητής Διοικητικής Επικοινωνίας στο MIT Sloan School of Management \u003cbr\u003e\u003cbr\u003e«\u003cem data-mce-fragment=\"1\"\u003eΗ μετατροπή δεδομένων σε διαγράμματα και γραφήματα —και η σαφής διατύπωση των συμπερασμάτων που προκύπτουν— είναι μια μορφή τέχνης. Απαιτεί όχι μόνο αναλυτικές ικανότητες, αλλά και ικανότητες δραματοποίησης κατά την παρουσίαση των συμπερασμάτων. Ο \u003c\/em\u003e\u003cem data-mce-fragment=\"1\"\u003eMiro\u003c\/em\u003e\u003cem data-mce-fragment=\"1\"\u003e Kazakoff\u003c\/em\u003e\u003cem data-mce-fragment=\"1\"\u003e συνέταξε έναν εξαιρετικό οδηγό που θα σας βοηθήσει να αποφύγετε βαρετές για το ακροατήριο παρουσιάσεις\u003c\/em\u003e». \u003cbr\u003e\u003cbr\u003e\u003cstrong data-mce-fragment=\"1\"\u003eBarbara Minto\u003c\/strong\u003e, συγγραφέας του \u003cem data-mce-fragment=\"1\"\u003eThe Minto Pyramid Principle\u003c\/em\u003e \u003cbr\u003e\u003cbr\u003e«Αυτό το βιβλίο είναι δύο βιβλία σε ένα! Ο Kazakoff συμπεριέλαβε όλες τις βέλτιστες πρακτικές οπτικοποίησης δεδομένων και τις συνδύασε με τις βέλτιστες πρακτικές επιχειρησιακής επικοινωνίας. το αποτέλεσμα είναι ένα πραγματικά επίκαιρο, χρήσιμο και πολύτιμο βιβλίο για όποιον θέλει να μεγιστοποιήσει τον αντίκτυπο των δεδομένων του». \u003cbr\u003e\u003cbr\u003e\u003cstrong data-mce-fragment=\"1\"\u003eKerrie Aman Carfagno\u003c\/strong\u003e, αναπληρώτρια καθηγήτρια Διοικητικής Επικοινωνίας, McIntire School of Commerce\/Darden School of Business, πρόγραμμα Master of Science in Data Analytics, University of Virginia"}

Πώς να Πείσετε με Δεδομένα

€35.00 €31.50

Το Πώς να πείσετε με δεδομένα απευθύνεται σε όσους καλούνται να εξηγήσουν αποτελέσματα αναλύσεων σε άλλους. Στο βιβλίο παρουσιάζεται με...

-10%

{"id":7461351162015,"title":"Εισαγωγή στον Υπολογισμό και τον Προγραμματισμό με την Python, 3η έκδοση","handle":"9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi","description":"\u003cem\u003e\u003cstrong\u003eΜε Εφαρμογές στην Υπολογιστική Μοντελοποίηση και την Κατανόηση Δεδομένων\u003c\/strong\u003e\u003c\/em\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e Βασισμένο σε ένα «massive open online course» (MOOC) του MIT, το παρόν βιβλίο εισάγει τους φοιτητές με μικρή ή καθόλου πρότερη προγραμματιστική εμπειρία στην τέχνη της επίλυσης υπολογιστικών προβλημάτων με χρήση της Python και διαφόρων βιβλιοθηκών της Python, όπως τις numpy, matplotlib, random, pandas και sklearn.\u003cbr data-mce-fragment=\"1\"\u003eΣτην παρούσα τρίτη έκδοση η βασική επεξηγηματική ύλη επεκτείνεται με επιπλέον προγραμματιστικά παραδείγματα και πολύ περισσότερες «ασκήσεις εμπέδωσης», γεγονός που την καθιστά μια σχετικά ομαλή εισαγωγή στον προγραμματισμό για τους αρχάριους. Σε ένα νέο κεφάλαιο επιδεικνύεται η χρήση του πακέτου pandas για την ανάλυση δεδομένων χρονοσειρών. Όλος ο κώδικας έχει γραφτεί εκ νέου ώστε να συμμορφώνεται με τα πρότυπα του PEP 8. Πέρα από τα παραδοσιακά θέματα, το βιβλίο πραγματεύεται επίσης ένα ευρύ φάσμα θεμάτων που δεν περιλαμβάνονται συνήθως στα εισαγωγικά βιβλία, όπως οπτική αναπαράσταση πληροφορίας, προσομοιώσεις για τη μοντελοποίηση της τυχαιότητας, υπολογιστικές τεχνικές για την κατανόηση δεδομένων, στατιστικές τεχνικές που πληροφορούν (και παραπληροφορούν) και προβλήματα βελτιστοποίησης και δυναμικός προγραμματισμός. Το βιβλίο περιλαμβάνει επίσης έναν συνοπτικό οδηγό αναφοράς της Python 3.\u003cbr data-mce-fragment=\"1\"\u003eΟ \u003cstrong\u003eJohn V. Guttag\u003c\/strong\u003e είναι καθηγητής επιστήμης υπολογιστών και ηλεκτρολογικής μηχανικής της έδρας Dugald C. Jackson στο MIT.\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003eΈγραψαν για τις προηγούμενες εκδόσεις: \u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e«Δεν υπάρχει ένα μοναδικό βιβλίο επιστήμης υπολογιστών που να καλύπτει κάθε ανάγκη. Αν όμως έπρεπε να διαλέξετε μόνο ένα, το συγκεκριμένο θα αποτελούσε εξαιρετική επιλογή».\u003cbr data-mce-fragment=\"1\"\u003e— \u003cstrong\u003eHal Abelson\u003c\/strong\u003e, συγγραφέας (μαζί με τον Gerald Jay Sussman) του \u003cem\u003eStructure and Interpretation of Computer Programs.\u003c\/em\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e«Είναι το βιβλίο πάνω στην “υπολογιστική σκέψη” που όλοι περιμέναμε! Με χιούμορ και ιστορικά ανέκδοτα, ο John Guttag μεταφέρει την ευρύτητα και τη χαρά της επιστήμης υπολογιστών χωρίς δυσνόητες τεχνικές λεπτομέρειες».\u003cbr data-mce-fragment=\"1\"\u003e—\u003cstrong\u003eJeannette M. Wing\u003c\/strong\u003e, Αντιπρόεδρος της Microsoft Research και σύμβουλος καθηγήτρια επιστήμης υπολογιστών και πρώην διευθύντρια τμήματος στο Πανεπιστήμιο Carnegie Mellon.\u003cbr data-mce-fragment=\"1\"\u003e","published_at":"2022-07-26T09:33:43+03:00","created_at":"2022-07-26T09:33:42+03:00","vendor":"John V. Guttag","type":"Επιστήμη Υπολογιστών","tags":["112696091","960-491-159-7","9604911597","978-960-491-159-2"],"price":4050,"price_min":4050,"price_max":4050,"available":true,"price_varies":false,"compare_at_price":4500,"compare_at_price_min":4500,"compare_at_price_max":4500,"compare_at_price_varies":false,"variants":[{"id":42422558785695,"title":"Default Title","option1":"Default Title","option2":null,"option3":null,"sku":"2000600068","requires_shipping":true,"taxable":false,"featured_image":null,"available":true,"name":"Εισαγωγή στον Υπολογισμό και τον Προγραμματισμό με την Python, 3η έκδοση","public_title":null,"options":["Default Title"],"price":4050,"weight":1039,"compare_at_price":4500,"inventory_management":null,"barcode":"9789604911592","requires_selling_plan":false,"selling_plan_allocations":[]}],"images":["\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi.png?v=1658817224","\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi-backcover.png?v=1658817224"],"featured_image":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi.png?v=1658817224","options":["Title"],"media":[{"alt":null,"id":26051960537247,"position":1,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi.png?v=1658817224"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi.png?v=1658817224","width":1000},{"alt":null,"id":26051960570015,"position":2,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi-backcover.png?v=1658817224"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911592-guttag-john-v-eisagogi-ston-upologismo-kai-ton-programmatismo-me-tin-python-3i-ekdosi-backcover.png?v=1658817224","width":1000}],"requires_selling_plan":false,"selling_plan_groups":[],"content":"\u003cem\u003e\u003cstrong\u003eΜε Εφαρμογές στην Υπολογιστική Μοντελοποίηση και την Κατανόηση Δεδομένων\u003c\/strong\u003e\u003c\/em\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e Βασισμένο σε ένα «massive open online course» (MOOC) του MIT, το παρόν βιβλίο εισάγει τους φοιτητές με μικρή ή καθόλου πρότερη προγραμματιστική εμπειρία στην τέχνη της επίλυσης υπολογιστικών προβλημάτων με χρήση της Python και διαφόρων βιβλιοθηκών της Python, όπως τις numpy, matplotlib, random, pandas και sklearn.\u003cbr data-mce-fragment=\"1\"\u003eΣτην παρούσα τρίτη έκδοση η βασική επεξηγηματική ύλη επεκτείνεται με επιπλέον προγραμματιστικά παραδείγματα και πολύ περισσότερες «ασκήσεις εμπέδωσης», γεγονός που την καθιστά μια σχετικά ομαλή εισαγωγή στον προγραμματισμό για τους αρχάριους. Σε ένα νέο κεφάλαιο επιδεικνύεται η χρήση του πακέτου pandas για την ανάλυση δεδομένων χρονοσειρών. Όλος ο κώδικας έχει γραφτεί εκ νέου ώστε να συμμορφώνεται με τα πρότυπα του PEP 8. Πέρα από τα παραδοσιακά θέματα, το βιβλίο πραγματεύεται επίσης ένα ευρύ φάσμα θεμάτων που δεν περιλαμβάνονται συνήθως στα εισαγωγικά βιβλία, όπως οπτική αναπαράσταση πληροφορίας, προσομοιώσεις για τη μοντελοποίηση της τυχαιότητας, υπολογιστικές τεχνικές για την κατανόηση δεδομένων, στατιστικές τεχνικές που πληροφορούν (και παραπληροφορούν) και προβλήματα βελτιστοποίησης και δυναμικός προγραμματισμός. Το βιβλίο περιλαμβάνει επίσης έναν συνοπτικό οδηγό αναφοράς της Python 3.\u003cbr data-mce-fragment=\"1\"\u003eΟ \u003cstrong\u003eJohn V. Guttag\u003c\/strong\u003e είναι καθηγητής επιστήμης υπολογιστών και ηλεκτρολογικής μηχανικής της έδρας Dugald C. Jackson στο MIT.\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003eΈγραψαν για τις προηγούμενες εκδόσεις: \u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e«Δεν υπάρχει ένα μοναδικό βιβλίο επιστήμης υπολογιστών που να καλύπτει κάθε ανάγκη. Αν όμως έπρεπε να διαλέξετε μόνο ένα, το συγκεκριμένο θα αποτελούσε εξαιρετική επιλογή».\u003cbr data-mce-fragment=\"1\"\u003e— \u003cstrong\u003eHal Abelson\u003c\/strong\u003e, συγγραφέας (μαζί με τον Gerald Jay Sussman) του \u003cem\u003eStructure and Interpretation of Computer Programs.\u003c\/em\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e«Είναι το βιβλίο πάνω στην “υπολογιστική σκέψη” που όλοι περιμέναμε! Με χιούμορ και ιστορικά ανέκδοτα, ο John Guttag μεταφέρει την ευρύτητα και τη χαρά της επιστήμης υπολογιστών χωρίς δυσνόητες τεχνικές λεπτομέρειες».\u003cbr data-mce-fragment=\"1\"\u003e—\u003cstrong\u003eJeannette M. Wing\u003c\/strong\u003e, Αντιπρόεδρος της Microsoft Research και σύμβουλος καθηγήτρια επιστήμης υπολογιστών και πρώην διευθύντρια τμήματος στο Πανεπιστήμιο Carnegie Mellon.\u003cbr data-mce-fragment=\"1\"\u003e"}

Εισαγωγή στον Υπολογισμό και τον Προγραμματισμό με την Python, 3η έκδοση

€45.00 €40.50

Με Εφαρμογές στην Υπολογιστική Μοντελοποίηση και την Κατανόηση Δεδομένων Βασισμένο σε ένα «massive open online course» (MOOC) του MIT, το...

-10%

{"id":7178408820895,"title":"Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση","handle":"9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python","description":"Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα και εργαλειοθήκες–, αλλά επίσης να κατανοήσετε τις ιδέες και τις αρχές που διέπουν τη λειτουργία τους.\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003eΑυτή η δεύτερη έκδοση της \u003cem\u003eΕπιστήμης Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python\u003c\/em\u003e, ενημερωμένη για την Python 3.6, σας δείχνει πώς λειτουργούν αυτά τα εργαλεία και οι αλγόριθμοι εφαρμόζοντάς τα από τα πρώτα βήματα.\u003cbr data-mce-fragment=\"1\"\u003eΑν έχετε κλίση στα μαθηματικά και ικανότητες προγραμματισμού, ο συγγραφέας Joel Grus θα σας βοηθήσει να αισθανθείτε άνετα με τα μαθηματικά και τη στατιστική που βρίσκονται στον πυρήνα της επιστήμης δεδομένων, καθώς και με τις απαραίτητες γνώσεις «χακαρίσματος» που απαιτούνται για να ξεκινήσετε ως επιστήμονες δεδομένων. Με νέο υλικό στη βαθιά μάθηση, στη στατιστική και στην επεξεργασία φυσικής γλώσσας, αυτό το ανανεωμένο βιβλίο σάς δείχνει τον τρόπο να βρείτε τα κρυμμένα διαμάντια μέσα στον σημερινό χαώδη κυκεώνα των δεδομένων.\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Πάρτε ένα ταχύρρυθμο μάθημα στην Python\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Μάθετε τις βασικές αρχές της γραμμικής άλγεβρας, της στατιστικής και των πιθανοτήτων – και πώς και πότε χρησιμοποιούνται στην επιστήμη των δεδομένων\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Συλλέξτε, εξερευνήστε, καθαρίστε, μετασχηματίστε και επεξεργαστείτε τα δεδομένα\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• «Καταδυθείτε» στις βασικές αρχές της μηχανικής μάθησης\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Υλοποιήστε μοντέλα όπως k-πλησιέστεροι γείτονες, απλοϊκή ταξινόμηση κατά Bayes, γραμμική και λογιστική παλινδρόμηση, δέντρα αποφάσεων, νευρωνικά δίκτυα και ομαδοποίηση\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Εξερευνήστε τα συστήματα συστάσεων, την επεξεργασία φυσικής γλώσσας, την ανάλυση δικτύων, το MapReduce και τις βάσεις δεδομένων\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cspan style=\"text-decoration: underline;\"\u003e\u003cstrong\u003eΒιβλιοκριτικές\u003c\/strong\u003e\u003c\/span\u003e\u003cbr data-mce-fragment=\"1\"\u003e«Ο Joel σάς ταξιδεύει από τα στοιχειώδη ερωτήματα της επιστήμης των δεδομένων έως την πλήρη κατανόηση των βασικών αλγόριθμων που κάθε επιστήμονας δεδομένων πρέπει να γνωρίζει».\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e—Rohit Sivaprasad\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003eΜηχανικός, Facebook\u003cbr data-mce-fragment=\"1\"\u003e«Συνιστώ το βιβλίο Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python στους αναλυτές και μηχανικούς που θέλουν να εξελιχθούν κατακτώντας το πεδίο της μηχανικής μάθησης. Είναι το καλύτερο εργαλείο για την κατανόηση των βασικών αρχών αυτού του επιστημονικού κλάδου».\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e—Tom Marthaler\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003eΜηχανικός Διευθυντής, Amazon\u003cbr data-mce-fragment=\"1\"\u003e«Είναι δύσκολο να μετατρέπεις τις έννοιες της επιστήμης των δεδομένων σε κώδικα. Το βιβλίο του Joel το καθιστά πολύ ευκολότερο».\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e—William Cox\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003eΜηχανικός μηχανικής μάθησης, Grubhub\u003cbr data-mce-fragment=\"1\"\u003eΟ Joel Grus είναι μηχανικός έρευνας στο Ινστιτούτο Τεχνητής Νοημοσύνης Allen. Προηγουμένως εργάστηκε ως μηχανικός λογισμικού στην Google και ως επιστήμονας δεδομένων σε διάφορες startups. Ζει στο Σιάτλ, όπου «παρακολουθεί» τακτικά μαθήματα επιστήμης δεδομένων. Γράφει περιστασιακά στο μπλογκ του \u003cem\u003ejoelgrus.com\u003c\/em\u003e και τουιτάρει ολημερίς στο \u003cem\u003e@joelgrus\u003c\/em\u003e.\u003cbr data-mce-fragment=\"1\"\u003e","published_at":"2021-11-10T13:52:28+02:00","created_at":"2021-11-10T13:31:20+02:00","vendor":"Grus Joel","type":"Επιστήμη Υπολογιστών","tags":["94690736","960-491-144-9","9604911449","978-960-491-144-8"],"price":2970,"price_min":2970,"price_max":2970,"available":true,"price_varies":false,"compare_at_price":3300,"compare_at_price_min":3300,"compare_at_price_max":3300,"compare_at_price_varies":false,"variants":[{"id":41459795034271,"title":"Default Title","option1":"Default Title","option2":null,"option3":null,"sku":"2000599567","requires_shipping":true,"taxable":false,"featured_image":null,"available":true,"name":"Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση","public_title":null,"options":["Default Title"],"price":2970,"weight":530,"compare_at_price":3300,"inventory_management":null,"barcode":"9789604911448","requires_selling_plan":false,"selling_plan_allocations":[]}],"images":["\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python.png?v=1636543881","\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python-backcover.png?v=1636543881"],"featured_image":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python.png?v=1636543881","options":["Title"],"media":[{"alt":null,"id":24052086833311,"position":1,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python.png?v=1636543881"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python.png?v=1636543881","width":1000},{"alt":null,"id":24052086866079,"position":2,"preview_image":{"aspect_ratio":0.667,"height":1500,"width":1000,"src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python-backcover.png?v=1636543881"},"aspect_ratio":0.667,"height":1500,"media_type":"image","src":"\/\/ekdoseis-papasotiriou.gr\/cdn\/shop\/products\/9789604911448-grus-joel-epistimi-dedomenon-basikes-arches-kai-efarmoges-me-python-backcover.png?v=1636543881","width":1000}],"requires_selling_plan":false,"selling_plan_groups":[],"content":"Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα και εργαλειοθήκες–, αλλά επίσης να κατανοήσετε τις ιδέες και τις αρχές που διέπουν τη λειτουργία τους.\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003eΑυτή η δεύτερη έκδοση της \u003cem\u003eΕπιστήμης Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python\u003c\/em\u003e, ενημερωμένη για την Python 3.6, σας δείχνει πώς λειτουργούν αυτά τα εργαλεία και οι αλγόριθμοι εφαρμόζοντάς τα από τα πρώτα βήματα.\u003cbr data-mce-fragment=\"1\"\u003eΑν έχετε κλίση στα μαθηματικά και ικανότητες προγραμματισμού, ο συγγραφέας Joel Grus θα σας βοηθήσει να αισθανθείτε άνετα με τα μαθηματικά και τη στατιστική που βρίσκονται στον πυρήνα της επιστήμης δεδομένων, καθώς και με τις απαραίτητες γνώσεις «χακαρίσματος» που απαιτούνται για να ξεκινήσετε ως επιστήμονες δεδομένων. Με νέο υλικό στη βαθιά μάθηση, στη στατιστική και στην επεξεργασία φυσικής γλώσσας, αυτό το ανανεωμένο βιβλίο σάς δείχνει τον τρόπο να βρείτε τα κρυμμένα διαμάντια μέσα στον σημερινό χαώδη κυκεώνα των δεδομένων.\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Πάρτε ένα ταχύρρυθμο μάθημα στην Python\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Μάθετε τις βασικές αρχές της γραμμικής άλγεβρας, της στατιστικής και των πιθανοτήτων – και πώς και πότε χρησιμοποιούνται στην επιστήμη των δεδομένων\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Συλλέξτε, εξερευνήστε, καθαρίστε, μετασχηματίστε και επεξεργαστείτε τα δεδομένα\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• «Καταδυθείτε» στις βασικές αρχές της μηχανικής μάθησης\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Υλοποιήστε μοντέλα όπως k-πλησιέστεροι γείτονες, απλοϊκή ταξινόμηση κατά Bayes, γραμμική και λογιστική παλινδρόμηση, δέντρα αποφάσεων, νευρωνικά δίκτυα και ομαδοποίηση\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e• Εξερευνήστε τα συστήματα συστάσεων, την επεξεργασία φυσικής γλώσσας, την ανάλυση δικτύων, το MapReduce και τις βάσεις δεδομένων\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cbr data-mce-fragment=\"1\"\u003e\u003cspan style=\"text-decoration: underline;\"\u003e\u003cstrong\u003eΒιβλιοκριτικές\u003c\/strong\u003e\u003c\/span\u003e\u003cbr data-mce-fragment=\"1\"\u003e«Ο Joel σάς ταξιδεύει από τα στοιχειώδη ερωτήματα της επιστήμης των δεδομένων έως την πλήρη κατανόηση των βασικών αλγόριθμων που κάθε επιστήμονας δεδομένων πρέπει να γνωρίζει».\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e—Rohit Sivaprasad\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003eΜηχανικός, Facebook\u003cbr data-mce-fragment=\"1\"\u003e«Συνιστώ το βιβλίο Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python στους αναλυτές και μηχανικούς που θέλουν να εξελιχθούν κατακτώντας το πεδίο της μηχανικής μάθησης. Είναι το καλύτερο εργαλείο για την κατανόηση των βασικών αρχών αυτού του επιστημονικού κλάδου».\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e—Tom Marthaler\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003eΜηχανικός Διευθυντής, Amazon\u003cbr data-mce-fragment=\"1\"\u003e«Είναι δύσκολο να μετατρέπεις τις έννοιες της επιστήμης των δεδομένων σε κώδικα. Το βιβλίο του Joel το καθιστά πολύ ευκολότερο».\u003cbr data-mce-fragment=\"1\"\u003e\u003cstrong\u003e—William Cox\u003c\/strong\u003e\u003cbr data-mce-fragment=\"1\"\u003eΜηχανικός μηχανικής μάθησης, Grubhub\u003cbr data-mce-fragment=\"1\"\u003eΟ Joel Grus είναι μηχανικός έρευνας στο Ινστιτούτο Τεχνητής Νοημοσύνης Allen. Προηγουμένως εργάστηκε ως μηχανικός λογισμικού στην Google και ως επιστήμονας δεδομένων σε διάφορες startups. Ζει στο Σιάτλ, όπου «παρακολουθεί» τακτικά μαθήματα επιστήμης δεδομένων. Γράφει περιστασιακά στο μπλογκ του \u003cem\u003ejoelgrus.com\u003c\/em\u003e και τουιτάρει ολημερίς στο \u003cem\u003e@joelgrus\u003c\/em\u003e.\u003cbr data-mce-fragment=\"1\"\u003e"}

Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση

€33.00 €29.70

Για να μάθετε πραγματικά την επιστήμη δεδομένων, δεν πρέπει απλώς να κυριαρχήσετε στα εργαλεία –βιβλιοθήκες επιστήμης δεδομένων, πλαίσια, μονάδες κώδικα...

Δυνατότητες	___product_title___ ___product_old_price______product_price___ Προβολή
Διαθεσιμότητα	___product_availability___
Επιλογές	___product_options___
Συγγραφέας/εις	___product_vendor___
Συλλογή	___product_collection___
Αξιολόηση	___product_rating___

Δίκτυα Υπολογιστών: Προσέγγιση από πάνω προς τα Κάτω

Προτείνουμε επίσης

Προτείνουμε επίσης:

Σχεδίαση Συστημάτων Μηχανικής Μάθησης

Προτείνουμε επίσης:

Ανάλυση Δεδομένων με Python: Διαχείριση Δεδομένων με pandas, NumPy και Jupyter

Προτείνουμε επίσης:

Πώς να Πείσετε με Δεδομένα

Προτείνουμε επίσης:

Εισαγωγή στον Υπολογισμό και τον Προγραμματισμό με την Python, 3η έκδοση

Προτείνουμε επίσης:

Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση