Beginning Data Science in R 4
Data Analysis, Visualization, and Modelling for the Data Scientist
-
8% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 58.84
-
24 959 Ft (23 771 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 8% (cc. 1 997 Ft off)
- Discounted price 22 963 Ft (21 869 Ft + 5% áfa)
24 959 Ft
Beszerezhetőség
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 2nd ed.
- Kiadó Apress
- Megjelenés dátuma 2022. június 24.
- Kötetek száma 1 pieces, Book
- ISBN 9781484281543
- Kötéstípus Puhakötés
- Terjedelem511 oldal
- Méret 254x178 mm
- Súly 1016 g
- Nyelv angol
- Illusztrációk 100 Illustrations, black & white 423
Kategóriák
Rövid leírás:
Discover best practices for data analysis and software development in R and start on the path to becoming a fully-fledged data scientist. Updated for the R 4.0 release, this book teaches you techniques for both data manipulation and visualization and shows you the best way for developing new software packages for R.
Beginning Data Science in R 4, Second Edition details how data science is a combination of statistics, computational science, and machine learning. You?ll see how to efficiently structure and mine data to extract useful patterns and build mathematical models. This requires computational methods and programming, and R is an ideal programming language for this.
This book is based on a number of lecture notes for classes the author has taught on data science and statistical programming using the R programming language. Modern data analysis requires computational skills and usually a minimum of programming.
What You Will Learn
Több
- Perform data science and analytics using statistics and the R programming language
- Visualize and explore data, including working with large data sets found in big data
- Build an R package
- Test and check your code
- Practice version control
- Profile and optimize your code
Hosszú leírás:
Discover best practices for data analysis and software development in R and start on the path to becoming a fully-fledged data scientist. Updated for the R 4.0 release, this book teaches you techniques for both data manipulation and visualization and shows you the best way for developing new software packages for R.
Beginning Data Science in R 4, Second Edition details how data science is a combination of statistics, computational science, and machine learning. You?ll see how to efficiently structure and mine data to extract useful patterns and build mathematical models. This requires computational methods and programming, and R is an ideal programming language for this.
Source code is available at github.com/Apress/beg-data-science-r4.
Több
What You Will Learn
- Perform data science and analytics using statistics and the R programming language
- Visualize and explore data, including working with large data sets found in big data
- Build an R package
- Test and check your code
- Practice version control
- Profile and optimize your code
Who This Book Is For
Those with some data science or analytics background, but not necessarily experience with the R programming language.
Tartalomjegyzék:
1: Introduction.- 2: Introduction to R Programming.- 3: Reproducible Analysis.- 4: Data Manipulation.- 5: Visualizing Data.- 6: Working with Large Data Sets.- 7: Supervised Learning.- 8: Unsupervised Learning.- 9: Project 1: Hitting the Bottle.- 10: Deeper into R Programming.- 11: Working with Vectors and Lists.- 12: Functional Programming.- 13: Object-Oriented Programming.- 14: Building an R Package.- 15: Testing and Package Checking.- 16: Version Control.- 17: Profiling and Optimizing.- 18: Project 2: Bayesian Linear Progression.- 19: Conclusions.
Több
