Scienza dei dati con Java: Metodi pratici per scienziati e ingegneri

Recensioni dei lettori

Il libro è stato accolto con favore per i suoi approfondimenti teorici e gli esempi pratici di codice nella scienza dei dati utilizzando Java. Tuttavia, è oggetto di critiche per la scelta di Java come linguaggio per la scienza dei dati, in quanto molti lo trovano macchinoso e privo di strumenti disponibili rispetto ad altri linguaggi.

Fornisce una buona comprensione dei concetti della scienza dei dati con esempi pratici di codice; quadro teorico ben strutturato.

⬤ Java non è considerato un linguaggio ideale per la scienza dei dati a causa della sua ineleganza e della difficoltà di lettura del codice
⬤ strumenti limitati per la scienza dei dati su larga scala rispetto ad altri linguaggi
⬤ assenza di un indice nell'anteprima.

(basato su 3 recensioni dei lettori)

Titolo originale:

Data Science with Java: Practical Methods for Scientists and Engineers

Contenuto del libro:

La scienza dei dati è in piena espansione grazie a R e Python, ma Java offre la robustezza, la convenienza e la capacità di scalare che sono fondamentali per le applicazioni di scienza dei dati di oggi. Con questo libro pratico, gli ingegneri del software Java che desiderano aggiungere competenze nel campo della scienza dei dati potranno intraprendere un viaggio logico attraverso la pipeline della scienza dei dati. L'autore Michael Brzustowicz spiega la teoria matematica di base che sta alla base di ogni fase del processo di data science e come applicare questi concetti con Java.

Imparerete i ruoli critici che l'IO dei dati, l'algebra lineare, la statistica, le operazioni sui dati, l'apprendimento e la predizione e Hadoop MapReduce svolgono nel processo. In tutto il libro troverete esempi di codice che potrete utilizzare nelle vostre applicazioni.

⬤ Esaminare i metodi per ottenere, pulire e organizzare i dati nella loro forma più pura.

⬤ Comprendere la struttura a matrice che i dati dovrebbero assumere.

⬤ Apprendere i concetti di base per verificare l'origine e la validità dei dati.

⬤ Trasformare i dati in valori numerici stabili e utilizzabili.

⬤ Comprendere gli algoritmi di apprendimento supervisionato e non supervisionato e i metodi per valutarne il successo.

⬤ Iniziare a lavorare con MapReduce, utilizzando componenti personalizzati adatti agli algoritmi di scienza dei dati.