کتاب Applied Statistics with Python

این کتاب درسی بر اساس سال‌ها تجربه تدریس دوره‌های آمار مقدماتی و متوسطه در دانشگاه تورو و کالج بروکلین است. مانند سایر نویسندگان، من از برش دادن مواد درسی موجود در کتاب‌های درسی ناامید شدم و می‌خواستم کتاب درسی خودم را ایجاد کنم که موضوعات را به روشی که دوست دارم پوشش دهد و مهارت‌هایی را که معتقدم برای دانش‌آموزان بسیار مهم هستند، آموزش دهد.

در این کتاب درسی، من بر آمار کاربردی تمرکز می‌کنم و مشتقات ریاضی را برای دوره‌های آمار ریاضی مناسب رها می‌کنم و در عوض بر درک مفهومی موضوع تمرکز می‌کنم. در آمار کاربردی، ما به طور طبیعی از هرگونه محاسبات دستی طولانی اجتناب می‌کنیم و به دانش‌آموزان مهارت‌های علوم محاسباتی مفید را آموزش می‌دهیم.

مخاطبان کتاب Applied Statistics with Python شامل دانشجویان کارشناسی در رشته‌های تجارت، اقتصاد، زیست‌شناسی، علوم اجتماعی و علوم طبیعی هستند، اما دانشجویان پیشرفته‌تر نیز می‌توانند از آن بهره‌مند شوند. در همکاری با تیم تولید انتشارات مشخص شد که بهترین کار تقسیم کتاب درسی بزرگ به دو قسمت قابل مدیریت‌تر است.

کتاب Applied Statistics with Python جلد اول آمار کاربردی با پایتون است. این کتاب بر موضوعات مقدماتی‌تر مانند آمار توصیفی، احتمال، توزیع‌های احتمال، نسبت و آزمون‌های فرضیه میانگین‌ها و همچنین رگرسیون تک متغیره تمرکز دارد. جلد دوم کتاب Applied Statistics with Python به بررسی آنوا، رگرسیون چندگانه، انتخاب مدل، لاسو، ریج، رگرسیون لجستیک، KNN، طبقه‌بندی بردار پشتیبان، مدل‌های غیرخطی، مدل‌های درختی، خوشه‌بندی و غیره خواهد پرداخت.

اغلب اوقات، آمار کمترین موضوع مورد علاقه دانش‌آموزان است. من جرأت می‌کنم بگویم که برخی از این موارد را می‌توان به سبک تدریس نسبت داد که اغلب یا بیش از حد ریاضی است و/یا بیش از حد به محاسبات دستی طولانی و قدیمی متکی است که در بهترین حالت از یک ماشین حساب علمی استفاده کمی می‌شود و استفاده زیادی از جداول قرن گذشته می‌شود. دیگر هیچکس آمار را به آن شکل انجام نمی‌دهد؛ پس چرا به دانش‌آموزان مهارت‌های منسوخ، غیرعملی و وقت‌گیر را آموزش می‌دهیم؟ این مانند آموزش لگاریتم با خط‌کش لگاریتمی است.

من قویاً معتقدم که باید بر درک مفهومی و قابلیت کاربردی آزمون‌های آماری تمرکز کنیم و از ابزارهای محاسباتی مناسب برای محاسبه واقعی استفاده کنیم. همچنین تعدادی از روش‌های محاسباتی جدید برای فایل‌های داده بزرگ مانند روش‌های تنظیم (لاسو، ریج و غیره)، اعتبارسنجی متقابل، ساختارهای درختی، روش‌های آنسامبل و غیره ضروری هستند. همه اینها به یک پیاده‌سازی نرم‌افزاری بالغ نیاز دارند و نمی‌توانند در اکسل و موارد مشابه انجام شوند.

ده‌ها متن مختلف در آمار مقدماتی و متوسطه وجود دارد. تعدادی از آنها نرم‌افزارهای محاسباتی مانند SPSS، STATA، Minitab، R و غیره را معرفی می‌کنند، اما معمولاً این کار به صورت جداگانه در آزمایشگاه‌های کامپیوتر و فقط برای برخی از مشکلات مبتنی بر فایل‌های داده انجام می‌شود [15، 13، 5، 14، 12، 18، 3، 16، 2، 7]. از سوی دیگر، تعدادی کتاب درسی آمار مبتنی بر نرم‌افزار وجود دارد که فرض می‌کند دانش‌آموزان قبلاً یک دوره آمار گذرانده‌اند [8، 17، 4، 9، 1، 6، 19، 10، 11، 20].

برخی از آنها از پایتون استفاده می‌کنند، اما بیشتر از R استفاده می‌کنند. در کتاب Applied Statistics with Python، من تجربه قبلی در آمار را فرض نمی‌کنم. ما مفاهیم اساسی را یاد می‌گیریم و روش‌های پیشرفته‌تر را از ابتدا توسعه می‌دهیم.

بیشتر بخوانید: کتاب R for the Rest of Us

من از پایتون به عنوان یک ابزار محاسباتی در هر مرحله استفاده می‌کنم به دلیل تطبیق‌پذیری و انعطاف‌پذیری شگفت‌انگیز آن. این یک زبان برنامه‌نویسی آزاد است که هم توسط مبتدیان و هم توسط متخصصان پیشرفته با بسیاری از کتابخانه‌های افزودنی رایگان برای آمار و کاربردهای آن استفاده می‌شود. این یک زبان اسکریپت‌نویسی است که به تبدیل محاسبات دستی خسته‌کننده به توابع گام به گام اجازه می‌دهد که در آن دانش‌آموزان می‌توانند نتایج هر محاسبه را برای به دست آوردن اطلاعات از داده‌ها در زمان واقعی مشاهده کنند.

تفاوت اصلی بین این کتاب درسی و سایر کتاب‌ها، بافت کد در متن در هر مرحله به روشی واضح و قابل دسترسی است تا به دانش‌آموزان یک ابزار محاسباتی عملی ارائه دهد که می‌تواند در این دوره و بسیاری از دوره‌های دیگر به آنها کمک کند.