Ciencia de datos con Java: Métodos prácticos para científicos e ingenieros

Opiniones de los lectores

El libro ha sido bien recibido por sus conocimientos teóricos y ejemplos prácticos de código en ciencia de datos con Java. Sin embargo, recibe críticas por la elección de Java como lenguaje para la ciencia de datos, ya que muchos lo consideran engorroso y carente de herramientas disponibles en comparación con otros lenguajes.

Proporciona una buena comprensión de los conceptos de la ciencia de datos con ejemplos prácticos de código; marco teórico bien estructurado.

⬤ Java no se considera un lenguaje ideal para la ciencia de datos debido a su falta de elegancia y dificultad para leer código
⬤ herramientas limitadas para la ciencia de datos a gran escala en comparación con otros lenguajes
⬤ ausencia de un índice en la vista previa.

(basado en 3 opiniones de lectores)

Título original:

Data Science with Java: Practical Methods for Scientists and Engineers

Contenido del libro:

La ciencia de datos está en auge gracias a R y Python, pero Java aporta la solidez, la comodidad y la capacidad de escalado fundamentales para las aplicaciones de ciencia de datos actuales. Con este práctico libro, los ingenieros de software de Java que deseen añadir habilidades de ciencia de datos realizarán un viaje lógico a través de la canalización de la ciencia de datos. El autor, Michael Brzustowicz, explica la teoría matemática básica que hay detrás de cada paso del proceso de la ciencia de datos, así como la forma de aplicar estos conceptos con Java.

Aprenderá los papeles fundamentales que desempeñan en el proceso el IO de datos, el álgebra lineal, la estadística, las operaciones de datos, el aprendizaje y la predicción, y Hadoop MapReduce. A lo largo de este libro, encontrará ejemplos de código que podrá utilizar en sus aplicaciones.

⬤ Examinar métodos para obtener, limpiar y organizar datos en su forma más pura.

⬤ Comprender la estructura matricial que deben adoptar sus datos.

⬤ Aprender conceptos básicos para comprobar el origen y validez de los datos.

⬤ Transformar los datos en valores numéricos estables y utilizables.

⬤ Comprender los algoritmos de aprendizaje supervisado y no supervisado, y los métodos para evaluar su éxito.

⬤ Ponerse en marcha con MapReduce, utilizando componentes personalizados adecuados para algoritmos de ciencia de datos.