کتاب Geographic Data Science with Python

کتاب Geographic Data Science with Python (علم داده‌های جغرافیایی با پایتون) مفاهیم علوم داده در به کارگیری در علم جغرافیا با استفاده از زبان برنامه‌نویسی پایتون را آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Geographic Data Science with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Geographic Data Science with Python:

این کتاب ابزار‌ها، روش‌ها و نظریه‌ای را برای رویارویی با چالش‌های علم داده معاصر ارائه می‌دهد که در مسائل و داده‌های جغرافیایی اعمال می‌شود. رسانه‌های اجتماعی، اشکال نوظهور داده‌ها و تکنیک‌های محاسباتی انقلابی در علوم اجتماعی ایجاد کرده‌اند. در دنیای جدید داده‌های فراگیر، بزرگ، مکرر و سریع، ما فرصت‌های جدیدی برای درک و تحلیل نقش جغرافیا در زندگی روزمره داریم. این کتاب اولین برنامه درسی جامع در علم داده‌های جغرافیایی را ارائه می‌دهد.

داده‌های جغرافیایی در همه جا وجود دارد. به طور کلی، فرآیند‌های اجتماعی، زمینه‌های فیزیکی و رفتار‌های فردی، نظم و قاعده‌ای در الگو‌های جغرافیایی، ساختار‌ها و فاصله‌گذاری‌های خود نشان می‌دهند.

با افزایش دامنه، شدت و عمق داده‌های مربوط به این سیستم‌ها، استخراج بینش‌های معنی‌دار از ویژگی‌های جغرافیایی رایج مانند موقعیت مکانی مهم‌تر می‌شود، اما همچنین چگونگی استفاده از روابط جغرافیایی بین داده‌هایی که کمتر در علم داده استاندارد دیده می‌شوند، اهمیت بیشتری پیدا می‌کند.

کتاب Geographic Data Science with Python شیوه جدیدی از تفکر در مورد تحلیل را معرفی می‌کند. با استفاده از استدلال جغرافیایی و محاسباتی، به خواننده نشان می‌دهد که چگونه بینش‌های جدید پنهان در داده‌ها را باز کند. این کتاب پیرامون محیط عالی علم داده موجود در پایتون ساختار یافته است و نمونه‌ها و تجزیه و تحلیل‌های کار شده را برای خواننده ارائه می‌کند تا بتواند تکرار کند، تطبیق دهد، گسترش دهد و بهبود بخشد.

انگیزه

چرا کتاب Geographic Data Science with Python؟

نوشتن کتابی مانند این یک کار بزرگ است و این نشان می‌دهد که نویسندگان باید انگیزه‌های درونی برای انجام چنین کاری داشته باشند. ما انجام می‌دهیم. هر یک از نویسندگان یک شرکت فعال در توسعه منبع باز ابزار‌های تحلیلی فضایی و علم جغرافیای دانشگاهی است.

از طریق تحقیق و تدریس، ما نیاز به کتابی را برای پر کردن جایگاهی که در تقاطع GIS/Geography و دنیای علم داده است، تشخیص داده‌ایم. ما شاهد انفجار علاقه به همه چیز‌های علم داده از یک سو و از سوی دیگر، تکامل طولانی‌تر و مداوم علم GIS بوده‌ایم. این کتاب نشان دهنده تلاش ما برای کمک به ظهور تقاطع بین این دو میدان است. در آن نقطه مشترک است که ما معتقدیم جادوی فکری و روش شناختی رخ می‌دهد.

بیشتر بخوانید: کتاب Learning Geospatial Analysis with Python

کتاب Geographic Data Science with Python برای چه افرادی است؟

در نوشتن کتاب، دو جامعه خوانندگان را در نظر گرفتیم که می‌خواهیم آن‌ها را گرد هم بیاوریم. اولین آن‌ها دانشمندان و جغرافیدانان GIS هستند که ممکن است تعجب کنند که این همه هیاهو در مورد علم داده چیست و این سؤال را مطرح می‌کنند که آیا آن‌ها باید با روش‌ها، ابزار‌ها و عملکرد‌های این حوزه جدید درگیر شوند یا خیر.

پاسخ ما به چنین خواننده‌ای یک «بله! » است. ما می‌بینیم که جغرافی‌دانانی که وارد این آب‌های جدید می‌شوند، چیز‌های زیادی به دست می‌آوریم و کمک می‌کنیم. دومین جامعه‌ای که در نوشتن این مطالب در ذهن داشته‌ایم، دانشمندان داده هستند که شروع به معطوف کردن توجه خود به کار با داده‌های جغرافیایی کرده‌اند.

در اینجا ما با اعضایی از جامعه علم داده مواجه شده‌ایم که می‌پرسند چه چیزی در مورد داده‌های جغرافیایی و مشکلات خاص است. علم داده در حال حاضر دارای مجموعه‌ای چشمگیر از مدل‌ها و روش‌ها است. مطمئناً این‌ها تمام چیزی است که جغرافیدانان به آن نیاز دارند؟ پاسخ ما این است: «نه! هنگام کار با داده‌های مکانی، نیاز به اشکال جدیدی از علم داده وجود دارد. علاوه بر این، ما همکاری بین این دو جامعه را برای توسعه این پیشرفت‌های جدید حیاتی می‌بینیم.

ما همچنین می‌دانیم که هیچ یک از این دو جامعه یک کل یکپارچه نیستند، اما آن‌ها در واقع از افرادی از بخش‌های مختلف، علوم دانشگاهی، صنعت، بخش دولتی و محققان مستقل و همچنین در مراحل مختلف شغلی تشکیل شده‌اند. ‌امیدواریم این کتاب مطالبی را ارائه دهد که مورد توجه همه این خوانندگان قرار گیرد.

سرفصل‌های کتاب Geographic Data Science with Python:

• Preface
• Acknowledgments
• Author/editor biographies
• List of Figures
• Part I: Building Blocks
  • 1. Geographic Thinking for Data Scientists
  • 2. Computational Tools for Geographic Data Science
  • 3. Spatial data
  • 4. Spatial weights
• Part II: Spatial Data Analysis
  • 5. Choropleth Mapping
  • 6. Global Spatial Autocorrelation
  • 7. Local Spatial Autocorrelation
  • 8. Point Pattern Analysis
• Part III: Advanced Topics
  • 9. Spatial Inequality Dynamics
  • 10. Clustering and Regionalization
  • 11. Spatial Regression
  • 12. Spatial Feature Engineering
• References
• Index

جهت دانلود کتاب Geographic Data Science with Python می‌توانید پس از پرداخت، دریافت کنید.