Adattudomány Javával: Gyakorlati módszerek tudósok és mérnökök számára

Olvasói vélemények

A könyv nagy visszhangot váltott ki a Java használatával végzett adattudományi elméleti meglátásai és gyakorlati kódpéldái miatt. Ugyanakkor kritika éri a Java mint adattudományi nyelv kiválasztása miatt, mivel sokan nehézkesnek és más nyelvekhez képest hiányosnak találják a rendelkezésre álló eszközöket.

Gyakorlati kódpéldákkal jól érthetővé teszi az adattudományi fogalmakat; jól felépített elméleti keretrendszer.

⬤ A Java-t nem tartják ideális nyelvnek az adattudomány számára a nehézkesség és a kódolvasás nehézségei miatt
⬤ más nyelvekhez képest korlátozott eszközök a nagyméretű adattudományhoz
⬤ tartalomjegyzék hiánya az előzetesen.

(3 olvasói vélemény alapján)

Eredeti címe:

Data Science with Java: Practical Methods for Scientists and Engineers

Könyv tartalma:

Az adattudomány az R-nek és a Python-nak köszönhetően virágzik, de a Java a mai adattudományi alkalmazások számára kritikus robusztusságot, kényelmet és skálázhatóságot biztosít. Ezzel a gyakorlatias könyvvel az adattudományi készségeket bővíteni kívánó Java szoftvermérnökök logikusan végigjárhatják az adattudományi csővezetéket. A szerző, Michael Brzustowicz elmagyarázza az adattudományi folyamat minden egyes lépése mögött álló alapvető matematikai elméletet, valamint azt, hogyan lehet ezeket a fogalmakat Javával alkalmazni.

Megtanulhatja, hogy az adat IO, a lineáris algebra, a statisztika, az adatműveletek, a tanulás és előrejelzés, valamint a Hadoop MapReduce milyen kritikus szerepet játszanak a folyamatban. A könyvben végig olyan kódpéldákat talál, amelyeket alkalmazásaiban használhat.

⬤ Vizsgálja meg az adatok megszerzésének, tisztításának és a legtisztább formába rendezésének módszereit.

⬤ Tudja meg, hogy milyen mátrixszerkezetet kell felvenniük az adatainak.

⬤ Tanulja meg az adatok eredetének és érvényességének vizsgálatára szolgáló alapfogalmakat.

⬤ Transzformálja adatait stabil és használható numerikus értékekké.

⬤ Ismerje meg a felügyelt és nem felügyelt tanulási algoritmusokat, valamint a sikerességük értékelésének módszereit.

⬤ Kezdje meg a MapReduce használatát, az adattudományi algoritmusokhoz alkalmas, testreszabott komponensek használatával.