Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Programming --- Numerical approximation theory --- Mathematical statistics --- Signal processing --- Wavelets (Mathematics) --- S (Computer program language) --- Computer-aided engineering --- Traitement du signal --- Ondelettes --- S (Langage de programmation) --- Ingénierie assistée par ordinateur --- Mathematics --- Data processing --- Mathématiques --- Informatique --- S-PLUS (computer program language) --- Ingénierie assistée par ordinateur --- Mathématiques --- Signal processing - Mathematics --- Wavelets (Mathematics) - Data processing

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Statistical methods are a key part of of data science, yet very few data scientists have any formal statistics training. Courses and books on basic statistics rarely cover the topic from a data science perspective. This practical guide explains how to apply various statistical methods to data science, tells you how to avoid their misuse, and gives you advice on what's important and what's not. Many data science resources incorporate statistical methods but lack a deeper statistical perspective. If you’re familiar with the R programming language, and have some exposure to statistics, this quick reference bridges the gap in an accessible, readable format.

Mathematical analysis --- Analyse mathématique --- Quantitative research --- Big data --- Statistical methods. --- Méthodes statistiques. --- Mathematics. --- Python --- R --- Programmeren --- Programmeertaal --- Statistiek --- Python (programmeertaal) --- R (programmeertaal) --- Analyse mathématique --- Méthodes statistiques.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

eebo-0046

University of St. Andrews --- Dissertations

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Long description: Statistische Konzepte aus der Perspektive von Data Scientists erläutert Das Buch stellt die Verbindung zwischen nützlichen statistischen Prinzipien und der heutigen Datenanalyse-Praxis her Ermöglicht Data Scientists, ihr Wissen über Statistik auf ein neues Level zu bringen Übersetzung der 2. Auflage des US-Bestsellers mit Beispielen in Python und R Statistische Methoden sind ein zentraler Bestandteil der Arbeit mit Daten, doch nur wenige Data Scientists haben eine formale statistische Ausbildung. In Kursen und Büchern über die Grundlagen der Statistik wird das Thema aber selten aus der Sicht von Data Scientists behandelt. Viele stellen daher fest, dass ihnen eine tiefere statistische Perspektive auf ihre Daten fehlt.Dieses praxisorientierte Handbuch mit zahlreichen Beispielen in Python und R erklärt Ihnen, wie Sie verschiedene statistische Methoden speziell in den Datenwissenschaften anwenden. Es zeigt Ihnen auch, wie Sie den falschen Gebrauch von statistischen Methoden vermeiden können, und gibt Ratschläge, welche statistischen Konzepte für die Datenwissenschaften besonders relevant sind. Wenn Sie mit R oder Python vertraut sind, ermöglicht diese zugängliche, gut lesbare Referenz es Ihnen, Ihr statistisches Wissen für die Praxis deutlich auszubauen. Biographical note: Peter Bruce ist Gründer des Institute for Statistics Education bei Statistics.com.Andrew Bruce ist Principal Research Scientist bei Amazon und verfügt über mehr als 30 Jahre Erfahrung in Statistik und Data Science.Peter Gedeck ist Senior Data Scientist bei Collaborative Drug Discovery, er entwickelt Machine-Learning-Algorithmen für die Vorhersage von Eigenschaften von Arzneimittelkandidaten.

Datenanalyse --- Statistik --- Wahrscheinlichkeit --- Big Data --- Python --- Algorithmen --- Machine Learning --- Regression --- Data Mining --- Datenklassifikation --- Data Science --- Random Forest --- Unsupervised learning

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)