کتاب راهنمای علم داده سلامت با استفاده از پایتون

کتاب راهنمای علم داده سلامت با استفاده از پایتون نوشتهٔ پروبیر کومار قوش و ترجمهٔ مبین صیادی کلمی است. انتشارات فناوری نوین این کتاب را منتشر کرده است.

درباره کتاب راهنمای علم داده سلامت با استفاده از پایتون

کتاب راهنمای علم داده سلامت با استفاده از پایتون یک راهنمای مهم برای محققان حوزهٔ سلامت عمومی و دانشجویانی است که می‌خواهند نحوهٔ استفاده از برنامه‌نویسی به زبان پایتون را برای تحلیل و بررسی داده‌های سلامت عمومی آموزش ببینند. این کتاب یک راهنمای جامع جهت استفاده از زبان برنامه نویسی پایتون برای کاربردهایی مثل مدیریت داده، پردازش، آمار توصیفی، بصری‌سازی، تحلیل محیطی، تحلیل رگرسیونی و یا مدل سازی برای یافتن مولفه‌های ریسک است. این کتاب به شش بخش تقسیم شده است: 

• بخش اول، درباره مدیریت داده است که شامل تکنیک‌هایی می‌شود که برای وارد کردن، بهبود و سازمان‌دهی داده‌های بزرگ استفاده می‌شود.
• در بخش دوم بر روی پردازش تمرکز می‌شود و کتابخانه‌های مهم پایتون شامل Numpy ،Pandas ،Matplotlib ،seaborn ،scipy ،statsmodel و geopandas به علاوه مثال‌های کاربردی از استفاده این کتابخانه‌ها برای ورود داده و خروج آن به فرمتی دیگر خدمت خوانندگان ارائه می‌گردد.
• در بخش سوم به آمارهای توصیفی پرداخته می‌شود و مقدمه‌ای بر تحلیل آماری با زبان برنامه‌نویسی پایتون ارائه می‌شود. 
• در بخش چهارم از بصری‌سازی داده‌ها گفته می‌شود که طی آن بهترین ایده‌های ارائه داده در بهینه‌ترین حالت ممکن قرار گرفته است.
• بخش پنجم این کتاب دربارهٔ تحلیل محیطی است که یک مقدمه جامع از این نوع تحلیل با استفاده از زبان برنامه نویسی پایتون ارائه می‌گردد.
• در بخش ششم بر روی مدل‌سازی تحلیلی برای یافتن فاکتورهای ریسک در داده‌های سلامت عمومی تمرکز می‌شود و طی آن مفاهیمی مثل تحلیل رگرسیونی، یادگیری ماشین و مدل سازی آماری گفته می‌شود.

خواندن کتاب راهنمای علم داده سلامت با استفاده از پایتون را به چه کسانی پیشنهاد می‌کنیم

این کتاب را به دوستداران علوم رایانه‌ای پیشنهاد می‌کنیم.

بخشی از کتاب راهنمای علم داده سلامت با استفاده از پایتون

«در "راهنمای علم داده سلامت با استفاده از پایتون" داده‌های مثال، داده‌های شبیه‌سازی شده هستند که برای ارائه مثال‌ها و تست کدهای پایتون مورد استفاده قرار می‌گیرند. این داده‌ها سناریوهای مختلف واقعی را منعکس می‌کنند. در حالی که داده‌های مثال ممکن است تمام تفاوت‌های دنیای واقعی را منعکس نکند اما دید ارزشمندی ارائه می‌دهد و به محققان کمک می‌کند تا مشکلات بالقوه را پیش از استقرار مدل بر روی داده‌های واقعی شناسایی کنند.»